Download icct15 redes neuronales - Universidad Autónoma de Baja California

UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR
DEPARTAMENTO ACADÉMICO DE SISTEMAS COMPUTACIONALES
INGENIERÍA EN TECNOLOGÍA
TECNOLOGÍA COMPUTACIONAL
ASIGNATURA Redes Neuronales
ÁREA DE
Ingeniería Aplicada
CONOCIMIENTO
ETAPA DE
FORMACIÓN
Terminal
CLAVE ICCT15
SEMESTRE VIII / IX
CRÉDITOS 8
HORAS TEORÍA 4
HORAS PRÁCTICA 0
CARÁCTER DE LA OPTATIVA
MATERIA TEÓRICA
SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
HORAS INFRAESTRUCTURA
DE CÓMPUTO
2
RECURSOS Pizarrón
NECESARIOS Plumones
Laptop
Cañón
Diapositivas
INTRODUCCIÓN
Las redes neurales artificiales son un modelo de cómputo que trata de simular el
procedimiento de un cerebro biológico. Como el modelo natural tiene una operación muy
compleja, se simplifica a un esquema donde las características generales son las únicas
que se toman en cuenta para construir un modelo de cómputo que, aunque restringido,
da excelentes resultados en una buena cantidad de problemas donde hay entradas y
salidas.
Esta es asignatura es del área terminal de la Ingeniería en Tecnología Computacional y
forma parte de las materias de la opción ciencias.
COMPETENCIA DEL CURSO
Entrenar y diseñar redes neuronales sencillas y resolver problemas cuyo modelación
matemática es compleja.
CONOCIMIENTOS
UNIDAD
I
NOMBRE
REDES NEURONALES
COMPETENCIA DE LA UNIDAD
Identificar los elementos de una red neuronal natural y evaluar la dificultad para su
modelación matemática.
TEMAS
1. El cerebro
2. Neuronas
3. Sinapsis
4. Axones
5. Aprendizaje
UNIDAD
II
NOMBRE
REDES NEURONALES ARTIFICIALES
COMPETENCIA DE LA UNIDAD
Definir la unidad básica de procesamiento del modelo de cómputo de las redes
neuronales, identificando sus propiedades y limitaciones.
TEMAS
1. Entradas y salidas
2. Funciones de activación
a. Propiedades necesarias
b. Tangentes hiperbólicas
c. Sigmoides
UNIDAD
III
NOMBRE
CLASIFICADOR LINEAL SIMPLE
COMPETENCIA DE LA UNIDAD
Definir el problema de clasificación más simple y resolverlo utilizando una red neuronal
básica, comparando con técnicas convencionales.
TEMAS
1. Clasificación lineal y general en grupos
2. Clasificando por prueba y error
3. Otras técnicas de clasificación
a.
Geométricas
b.
Estadísticas
c.
Conceptuales
UNIDAD
IV
NOMBRE
RETROPROPAGACIÓN DE UNA CAPA
COMPETENCIA DE LA UNIDAD
Aplicar el algoritmo básico de retropropagación para encontrar los parámetros de un
sistema de clasificación simple.
TEMAS
1. Propagación hacia adelante.
2. Cálculo de los errores.
3. Propagación hacia atrás.
4. Actualización de pesos.
UNIDAD
V
NOMBRE
RETROPROPAGACIÓN DE VARIAS CAPAS
COMPETENCIA DE LA UNIDAD
Aplicar el algoritmo de retropropagación en varias capas, extendiendo las ideas básicas de
la unidad previa.
TEMAS
1. Propagación hacia adelante en varias capas.
2. Cálculo de los errores.
3. Propagación hacia atrás en varias capas.
4. Actualización de pesos.
UNIDAD
VI
NOMBRE
REDES NEURONALES Y HEURÍSTICAS
COMPETENCIA DE LA UNIDAD
Aplicar heurísticas al algoritmo de retropropagación en varias capas.
TEMAS
1. Retropropagación en línea y fuera de línea. Aprendizaje adaptativo.
2. Redes con peso.
HABILIDADES
Capacidad de análisis y síntesis, organización y planificación, solución de
problemas, toma de decisiones y creatividad.
ACTITUDES
Creatividad al buscar solución a problemas, trabajo en equipo y tolerancia.
ESTRATEGIAS DE APRENDIZAJE
•
Estrategias de información
•
Estrategias organizativas
•
Estrategias analíticas
•
Estrategias evaluativas para la toma de decisiones
•
Estrategias de asimilación y retención de información
•
Estrategias comunicativas
PRÁCTICAS
•
Analizar la evolución de una red recurrente.
•
Entrenar una red neuronal.
•
Utilizar diversas técnicas de entrenamiento para una red neuronal.
ESTRATEGIAS DE EVALUACIÓN
•
Ejercicios de aplicación
•
Trabajos
•
Tareas
•
Exámenes de conocimiento
•
Participación en clase
•
Programas
EVIDENCIA DE DESEMPEÑO
Proyecto final de redes neuronales
BIBLIOGRAFÍA
No.
TITULO
AUTOR
EDITORIAL
INTELIGENCE: A
S. RUSSEL Y
PRENTICE
MODERN
P. NORVING
HALL
STRUCTURES AND
GEORGE
PRENTICE
STRATEGIES FOR
LUGER
HALL
AÑO
ARTIFICIAL
1
2009
APPROACH
ARTIFICIAL
INTELLIGENCE:
2
2004
COMPLEX PROBLEM
SOLVING
REDES NEURONALES
ARTIFICIALES.
3
FUNDAMENTOS,
MODELOS Y
JOSÉ RAMÓN
HILERA GLEZ.
RA –MA
APLICACIONES
4
REDES NEURONALES
XABIER
ARTIFICIALES Y SUS
VASAGAIN
APLICACIONES
OLABR
NOTAS DE
CURSO
1995
CATÁLOGO
PÚBLICO