Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
DÍA 1 - REDES NEURALES ARTIFICIALES
Introducción y Estructura de la RNE.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una RNE.
- Funciones de activación utilizadas en las RNE.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Revisión del álgebra de vectores y matrices.
- Conceptos del espacio de estados.
- Conceptos de optimización.
- Aprendizaje por corrección de error.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de capa única.
- Estructura y aprendizaje de los perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de un perceptrón.
RNE de alimentación hacia adelante (Feedforward).
- Estructuras de redes feedforward multicapa.
- Algoritmo de propagación hacia atrás (backpropagation).
- Backpropagation: entrenamiento y convergencia.
- Aproximación funcional con backpropagation.
- Cuestiones prácticas y de diseño del aprendizaje mediante backpropagation.
Redes de Función de Base Radial (RBF).
- Separabilidad de patrones e interpolación.
- Teoría de la regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de la red RBF.
- Propiedades de aproximación de la RBF.
Aprendizaje competitivo y RNE autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización del vector de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativos.
- Propiedades de los mapas de características.
Redes Neurales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos difusos y lógica difusa.
- Diseño de estructuras difusas (fuzzy stems).
- Diseño de ANNs difusas.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de Redes Neurales, sus ventajas y problemas.
DÍA 2 - APRENDIZAJE AUTOMÁTICO
- Marco de aprendizaje PAC
- Garantías para conjuntos finitos de hipótesis – caso consistente
- Garantías para conjuntos finitos de hipótesis – caso inconsistente
- Generalidades
- Escenarios deterministas vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y Dimensión VC
- Compensación sesgo-varianza (Bias-Variance tradeoff)
- Regularización
- Sobreajuste (Overfitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (regresión de procesos gaussianos)
- PCA y PCA kernelizado
- Mapas de autoorganización (SOM)
- Espacio vectorial inducido por kernels
- Kernels de Mercer y métricas de similitud inducidas por kernels
- Aprendizaje por refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Este tema se impartirá en relación con los temas cubiertos el Día 1 y el Día 2.
- Regresión logística y softmax
- Autoencoders dispersos (Sparse)
- Vectorización, PCA y blanqueamiento (Whitening)
- Aprendizaje autoguiado (Self-Taught Learning)
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa (Sparse Coding)
- Análisis de componentes independientes
- Análisis de correlación canónica
- Demostraciones y aplicaciones
Requerimientos
Buen entendimiento de las matemáticas.
Buen entendimiento de estadística básica.
No se requieren habilidades básicas de programación, pero se recomiendan.
21 Horas
Reseñas (2)
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
