Download icct15 redes neuronales - Universidad Autónoma de Baja California
Document related concepts
Transcript
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