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 NEURONALES ARTIFICIALES
Introducción y estructura de la Red Neuronal Artificial (ANN).
- Neuronas biológicas y neuronas artificiales.
- Modelo de una ANN.
- Funciones de activación utilizadas en las ANNs.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra vectorial y matricial.
- Conceptos del espacio de estados.
- Conceptos de optimización.
- Aprendizaje con corrección de error.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de capa simple.
- 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 los perceptrones.
ANN con alimentación hacia adelante (Feedforward).
- Estructuras de redes multiclase con alimentación hacia adelante.
- Algoritmo de propagación hacia atrás (Back propagation).
- Propagación hacia atrás: entrenamiento y convergencia.
- Aproximación funcional con propagación hacia atrás.
- Aspectos prácticos y de diseño del aprendizaje por propagación hacia atrás.
Redes de Función de Base Radial (RBF).
- Separabilidad de patrones e interpolación.
- Teoría de la regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de las RBF.
Aprendizaje competitivo y ANNs autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización vectorial del aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativos.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos (fuzzy systems).
- Diseño de ANNs difusas.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de Redes Neuronales, sus ventajas y problemas.
DÍA 2 - APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
- El marco de aprendizaje PAC (Probably Approximately Correct)
- Garantías para conjuntos finitos de hipótesis: caso consistente
- Garantías para conjuntos finitos de hipótesis: caso inconsistente
- Consideraciones generales
- Escenarios deterministas frente a 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 (Over-fitting)
- Validación
- Máquinas de Soporte Vectorial (Support Vector Machines)
- Kriging (Regresión de Procesos Gaussianos)
- PCA y PCA con Kernel
- Mapas Autoorganizativos (SOM)
- Espacio vectorial inducido por Kernel
- Kernels de Mercer y métricas de similitud inducidas por Kernel
- Aprendizaje por Refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO (DEEP LEARNING)
Este tema se impartirá en relación con los temas cubiertos en el Día 1 y el Día 2.
- Regresión logística y regresión Softmax
- Autoencoder dispersos (Sparse Autoencoders)
- Vectorización, PCA y blanqueo (Whitening)
- Aprendizaje autotutoriado (Self-Taught Learning)
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa
- Análisis de componentes independientes
- Análisis de correlación canónica
- Demos y aplicaciones
Requerimientos
Buen entendimiento de las matemáticas.
Conocimientos sólidos de estadística básica.
No se requieren habilidades básicas de programación, pero son recomendables.
21 Horas
Testimonios (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
