Download Vicerrectorado de Ordenación Académica PROGRAMA DE LA

20132014
21/06/14
PROGRAMA DE LA ASIGNATURA
Página 1 de 3
Vicerrectorado de Ordenación Académica
Asignatura:
322 (8120) Modelos computacionales
Titulación:
Ingeniero Técnico en Informática de Gestión
Créditos teóricos:
4,5
Horas teoría:
45
Proyecto Piloto
Créditos prácticos:
1,5
Horas prácticas:
15
Duración:
Área:
2º Cuatr.
(75A) CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL
OBJETIVOS GENERALES:
Conseguir la formación de profesionales con una base científica sólida que sepan abordar problemas de optimización, agrupación de
datos, clasificación, reconocimiento de patrones y predicción utilizando técnicas de Inteligencia Artificial como las redes neuronales
artificiales
OBJETIVOS ESPECÍFICOS:
Conocer y comprender los fundamentos y las características de los modelos de computación basados en redes de neuronas
artificiales (neurocomputación), como paradigma de computación paralela distribuida, donde se sustituye la programación por el
aprendizaje. Asimismo, el alumno tiene que aprender a modelar y resolver, mediante redes de neuronas artificiales, algunos
problemas clásicos de optimización, control, clasificación y diagnóstico, reconocimiento de caracteres, restauración de imágenes,
compresión de datos, aproximación de funciones y predicción.
CONTENIDO:
BLOQUE TEMÁTICO:
Nombre Bloque Temático
1. INTRODUCCIÓN (2 h.).
1.1. Desarrollo histórico.
1.2. Elementos de un modelo de computación.
1.3. Modelos para la computación: de la computación clásica a la computación celular.
1.4. Computación sobre grafos: Redes de autónomas, autómatas celulares y redes neuronales.
2. INTRODUCCIÓN A LA NEUROCOMPUTACIÓN (4 h.).
2.1. Breve reseña histórica de la Neurocomputación.
2.2. ¿Qué es una red neuronal?
2.3. Leyes de Aprendizaje.
2.4. Características de las redes neuronales inspiradas en las neuronas biológicas.
3. REDES RECURRENTES Y AUTÓNOMAS (10 h.).
3.1. El modelo de Hopfiled discreto.
3.2. El modelo de Hopfield continuo.
3.3. Aplicaciones a problemas de Optimización: problema del viajante, problema de la
bipartición de un grafo y problemas de emparejamiento y de recubrimiento.
3.4. Memorias asociativas dinámicas Regla de Hebb.
3.5. Memoria asociativa bidireccional (BAM).
4. REDES NEURONALES DE UNA CAPA PARA CLASIFICACIÓN MÚLTIPLE (10 h.).
4.1. El Perceptrón: Aprendizaje y convergencia.
4.2. Determinación de la tasa de aprendizaje ideal: aprendizaje normalizado.
4.3. Clasificación Múltiple.
4.4. El Perceptrón multicapa.
4.5. Representación de funciones Booleanas arbitrarias.
5. REDES MULTICAPA CONTINUAS PARA LA APROXIMACIÓN FUNCIONAL (12 h).
5.1. Unidades de proceso ADALINE. Algoritmo de mínimo error cuadrático medio: Regla de
aprendizaje de Widrow-Hoff.
5.2. Redes MADALINE.
5.3. Redes Multicapa con aprendizaje por retropropagación del error.
5.4. Aprendizaje de retropropagación con momentos: La regla delta generalizada.
5.5. El aprendizaje supervisado como un problema de optimización funcional:
5.5.1. Método del gradiente conjugado.
5.5.2. Método de Newton y modificación de Levenberg-Marquardt.
5.6. Redes Neuronales con funciones de Base Radial.
5.7. Técnicas para la ampliación o la poda de una red.
5.8. Aplicaciones.
6. SISTEMAS AUTO-ORGANIZADOS (10 h.).
6.1. Redes competitivas con aprendizaje no supervisado.
20132014
21/06/14
PROGRAMA DE LA ASIGNATURA
Página 2 de 3
Vicerrectorado de Ordenación Académica
6.2. Deducción de la regla de aprendizaje competitivo a partir de la distorsión.
6.3. Modelos ART1 y ART2.
6.4. Redes competitivas con aprendizaje supervisado.
6.5. Redes autoorganizadas de Kohonen.
6.6. Aplicaciones.
7. REDES ESTOCÁSTICAS (4 h.).
7.1. Introducción. Unidades de proceso estocásticas. Enfriamiento simulado.
7.2. La máquina de Boltzmann: Dinámica de la computación y aprendizaje.
7.3. Aproximación basada en la teoría del campo medio.
7.4. Aplicaciones.
8. REDES PARCIALMENTE RECURRENTES Y DYNÁMICAS (4 h.).
8.1. Redes neuronales recurrentes y dinámicas.
8.2. Redes de Elman.
8.3. Retropropagación dinámica en redes de Elman.
8.4. Aplicaciones al modelado de sistemas dinámicos.
BIBLIOGRAFÍA GENERAL:
DREYFUS G. Neural Networks: Methodology and Applications Springer, 3-540229803 2005
FREEMAN J. A. y D. M. SKAPURA. Redes Neuronales: Algoritmos, Aplicaciones y Técnicas de Programación Addison-Wesley 0-20160115-x 1993
HAYKIN S. Neural Networks Prentice -Hall 0-3-273350-1 1999
HERTZ J., A. KROGH y R. G. PALMER. Introduction to the Theory of Neural Computation Addison-Wesley 0-201-50395-6 1995
HILERA J. R. y V. J. MARTINEZ. Redes Neuronales Artificiales. Ra-ma 84-7897-155-6 1993
KUNG S. Y. Digital Neural Networks Prentice-hall 0-78-0322355 2001
MARTÍN DEL BRIO B. y A. SANZ. Redes Neuronales y Sistemas Borrosos. Ra-ma 84-89349-2 2001
PATTERSON D. W. Artificial Neural Networks: Theory and Applications Prentice-hall 0-13-295353-6 1996
ROJAS R. Neural Networks. A systematic introduction Springer 3-540-605 1996
SIPPER M. "The Emergence of Cellular Computing Computer", Vol. 32, Nº7, pp. 18-26, IEEE Computer Society Press 0018-9162 1999
SMOLENSKY P., M Mathematical Perspectives on Neural networks Lawrence Erlbaum Associates 0805812016 1996
METODOLOGÍAS
El desarrollo de la asignatura se basará en clases de pizarra y presentaciones por ordenador en el aula y clases de prácticas con ordenador en
el laboratorio, utilizando eventualmente, y siempre que sea necesario, elementos auxiliares para la enseñanza, como proyector de diapositivas
dinámicas. Todos los temas tendrán una componente práctica basada en la propuesta y resolución de problemas en la pizarra, y la realización
de 24 prácticas en el laboratorio utilizando el programa MATLAB. Finalmente, se propondrá a los alumnos la resolución voluntaria de diversos
ejercicios prácticos.
EVALUACIONES
Se realizará un único examen final constituido por preguntas, cuestiones y problemas calificados de uno a diez puntos. La nota media de los
mismos constituirá la calificación final de la asignatura.
DESCRIPTOR:
Memorias asociativas, Redes neuronales artificiales, aprendizaje automático, agrupación de datos, clasificación, predicción
SITUACIÓN: CONTEXTO DENTRO DE LA TITULACIÓN:
La asignatura se imparte en el segundo cuatrimestre de la titulación y se conecta a través del tema 1 con las asignaturas de Teoría y
Lenguajes Formales del segundo curso.
SITUACIÓN: RECOMENDACIONES.
Se recomienda tener conocimientos de programación en MATLAB pues la herramienta empleada para implementar los modelos propuestos en
la asignatura es la NeuralToolbox de MATLAB.
20132014
21/06/14
PROGRAMA DE LA ASIGNATURA
Vicerrectorado de Ordenación Académica
COMPETENCIAS TRANSVERSALES/GENÉRICAS.
Competencias Instrumentales:
Capacidad de análisis y síntesis (alto)
Capacidad de organización y planificación (alto)
Comunicación oral y escrita en lengua nativa (alto)
Conocimiento de una lengua extranjera(medio)
Capacidad de gestión de la información (medio)
Resolución de problemas(alto)
Toma de decisiones (medio)
Competencias Personales:
Trabajo en equipo (medio)
Habilidades en relaciones interpersonales (bajo)
Razonamiento crítico (alto)
Competencias Sistémicas:
Aprendizaje autónomo (alto)
Adaptación a nuevas situaciones (medio)
Capacidad de aplicar los conocimientos en la práctica (alto)
Habilidad para trabajar de forma autónoma (alto)
Creatividad (alto)
Liderazgo (bajo)
Iniciativa y espíritu emprendedor (medio)
Motivación por la calidad (medio)
COMPETENCIAS ESPECÍFICAS: Cognitivas (Saber).
Alta capacidad de comprensión
Alta capacidad de modelado usando modelos de redes de neuroanas artificiales
Alta capacidad para el análisis de requisitos de problemas específicos y planificación/selección de estrategias para su resolución
COMPETENCIAS ESPECÍFICAS: Procedimentales/instrumentales (Saber hacer).
Planteamiento de problemas reales en el contexto de la comptación (alto)
Resolución de modelos usando las técnicas propuestas (alto)
COMPETENCIAS ESPECÍFICAS: Actitudinales (Saber).
Capacidad de aplicación de los modelos de redes neuronales a problemas reales (alto)
Expresión rigurosa y clara (medio)
Capacidad de comunicación oral y escrita (medio)
Capacidad de presentación de soluciones informáticas (alto)
Razonamiento lógico e identificación de errores en los procedimientos (medio)
Capacidad de comparara los modelos de computación vistos con otras disciplinas (alto)
Capacidad de crítica (alto)
Capacidad de adaptación (medio)
Capacidad de abstracción (alto)
Capacidad de estimación de necesidades en el desarrollo de un proyecto (alto)
Capacidad de gestión y organización (medio)
Página 3 de 3