Redes Neuronales (Propuesta) 1-2022

Universidad Central de Venezuela
Facultad de Ciencias
Escuela de Matemática
Programa de la asignatura
REDES NEURONALES
Tipo de asignatura: Electiva
Unidades de crédito: 6 UC
Requisitos: (8801) Estadística
Horas semana: 6 h/sem (4 horas teóricas y 2 horas prácticas)
OBJETIVO GENERAL
Aprender a identificar los modelos de redes neuronales de procesos cognitivos para

determinar el tipo de estructura de las redes (tipos de nodos, conexión entre niveles,
método de modificación de conexiones o aprendizaje)
OBJETIVOS ESPECÍFICOS
 Adquisición de una sólida comprensión del funcionamiento de los modelos de

redes neuronales más importantes.
 Tener la capacidad de programar con éxito simulaciones de estas redes.
 Aplicar redes neuronales a problemas reales de ciencias e ingeniería.
 Capacidad de aprender de forma continua y autónoma para desarrollar nuevos

conocimientos y técnicas especializadas, adecuadas para la investigación actual.
 Estudiar algunas aplicaciones de las redes neuronales a la programación y ciencia

de datos.
CONTENIDO PROGRAMÁTICO
TEMA 1. Introducción al aprendizaje automático.
Machine Learning e Inteligencia Artificial. Fundamentos de Machine Learning. Tipos de

aprendizaje en Machine Learning según feedback. Tipos de aprendizaje en Machine
Learning según resultados obtenidos.
TEMA 2. Introducción a las Redes Neuronales y al Reconocimiento de

Patrones.
Panorama histórico. Definición de red neuronal. Ventajas de las redes neuronales.

Modelos de redes neuronales más importantes. Aplicaciones.
Técnicas de reconocimiento de Patrones.
TEMA 3. El Modelo de Neurona y Arquitecturas de las Redes Neuronales

Artificiales.
El modelo biológico. Elementos de una Red Neuronal Artificial (RNA)

Estructura de una RNA. Características de las RNA. Mecanismo de aprendizaje.
Tipo de asociación entre las informaciones de entrada y salida. Representación de la
información de entrada y salida. Características de los modelos de RNAs más conocidos.
Ejemplos.
TEMA 4. Modelos básicos: Perceptron, y Adaline.
El Perceptron. Regla de aprendizaje. Teorema de convergencia. Solución al problema de

separabilidad lineal. El perceptron multinivel. La red ADALINE. Aprendizaje de la red
Adaline. Aplicaciones de la red Adaline.
TEMA 5. Redes de funciones de base radial.
Esquema general de una RBF y sus aplicaciones. Concepto matemático de función de

base radial y el tipo de neuronas asociadas a ella. Regla de aprendizaje para RBF:
método híbrido y método totalmente supervisado.
TEMA 6. Máquinas de aprendizaje extremo y Deep learning.
Concepto de máquina de aprendizaje extremo. Relación con redes neuronales.

Características de máquinas de aprendizaje extremo. Algoritmo para implementar una
máquina de aprendizaje extremo. Discusión sobre la fiabilidad y aplicabilidad de dichas
técnicas. Introducción al aprendizaje profundo (deep learning).
ESTRATEGIA DE LA ENSEÑANZA
La metodología de enseñanza y aprendizaje implica un proceso sistemático por medio

de los cuales se valoran, dirigen y orientan los medios, recursos y procedimientos que
permitan alcanzar los objetivos planteados. Se proponen las siguientes estrategias:
 Centradas en el Docente: desarrollando conferencias, clases unidireccionales y

mesas redondas dirigidas por el docente determinando el objetivo, el contenido y
la orientación.
 Centradas en el alumno: El alumno será el responsable de su propio aprendizaje,

seleccionará tanto los medios como el tiempo requerido para el estudio, realizará
trabajo de investigación, lecturas dirigidas, talleres y dinámicas de grupo.
EVALUACIÓN SUGERIDA
La evaluación constará de:

 Cuatro (4) tareas asignadas por el profesor a lo largo de todo el semestre, las
cuales tendrán una ponderación de 15% cada una sobre la nota final de la
materia.
 Dos (2) exposiciones en las cuales el estudiante deberá presentar
detalladamente un tema específico asignado por el profesor. Cada exposición
aportará un 20% a la calificación final de la asignatura.
BIBLIOGRAFIA RECOMENDADA
1. E. Alpaydin, Introduction to Machine Learning, 2nd Edition, The MIT Press, 2010.
2. C. M. Bishop, Neural Networks for Pattern Recognition, Clarendon Press, Oxford,
1995.
3. C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
4. S. Haykin, Neural Networks and Learning Machines, 3rd Edition, Prentice Hall,
2008
5. P. Isasi y I. Galván León, Redes de neuronas artificiales: Un enfoque práctico.
Pearson, Prentice Hall, 2004.

Redes Neuronales (Propuesta) 1-2022

Cargado por

Copyright:

Formatos disponibles

Redes Neuronales (Propuesta) 1-2022

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redes Neuronales (Propuesta) 1-2022

Cargado por

Copyright:

Formatos disponibles

Universidad Central de Venezuela

Aprender a identificar los modelos de redes neuronales de procesos cognitivos para

 Adquisición de una sólida comprensión del funcionamiento de los modelos de

 Tener la capacidad de programar con éxito simulaciones de estas redes.

 Aplicar redes neuronales a problemas reales de ciencias e ingeniería.

 Capacidad de aprender de forma continua y autónoma para desarrollar nuevos

 Estudiar algunas aplicaciones de las redes neuronales a la programación y ciencia

Machine Learning e Inteligencia Artificial. Fundamentos de Machine Learning. Tipos de

TEMA 2. Introducción a las Redes Neuronales y al Reconocimiento de

Panorama histórico. Definición de red neuronal. Ventajas de las redes neuronales.

TEMA 3. El Modelo de Neurona y Arquitecturas de las Redes Neuronales

El modelo biológico. Elementos de una Red Neuronal Artificial (RNA)

TEMA 4. Modelos básicos: Perceptron, y Adaline.

El Perceptron. Regla de aprendizaje. Teorema de convergencia. Solución al problema de

TEMA 5. Redes de funciones de base radial.

Esquema general de una RBF y sus aplicaciones. Concepto matemático de función de

TEMA 6. Máquinas de aprendizaje extremo y Deep learning.

Concepto de máquina de aprendizaje extremo. Relación con redes neuronales.

La metodología de enseñanza y aprendizaje implica un proceso sistemático por medio

 Centradas en el Docente: desarrollando conferencias, clases unidireccionales y

 Centradas en el alumno: El alumno será el responsable de su propio aprendizaje,

La evaluación constará de:

También podría gustarte