programa fundamentos y aplicaciones en redes neuronales artificiales
TRANSCRIPT
Limitless Power of Information (LPI)AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
1. SUMILLA
Las redes neuronales artificiales son una de las partes de la inteligencia artificial que intentan imitar el funcionamiento de un cerebro biológico. Compuestas por una serie de procesadores en paralelo, denominados neuronas, su alta capacidad de modelización y generalización las ha convertido en una potente herramienta al auxilio de la resolución de problemas complejos en muy diversos campos del conocimiento, que abarcan desde la medicina, la biología, las finanzas, la sociología y, por supuesto, la ingeniería.
Este curso busca introducir a los alumnos en el concepto de inteligencia artificial y en el área de las redes neuronales artificiales empleando como soporte tecnológico el programa MATLAB. Durante el curso se desarrollarán varios ejemplos de aplicación a diferentes ámbitos de forma que el alumno tenga una visión general de este sistema avanzado de modelización.
El contenido está orientado a todo el personal involucrado en tareas de modelización y análisis de datos dentro de una investigación específica desarrollada en su empresa.
2. OBJETIVOS
2.1. OBJETIVOS GENERALESEl objetivo general del curso es la de crear las bases conceptuales y metodológicas para la aplicación de las Redes Neuronales Artificiales a la modelización de datos a fin de obtener unas conclusiones robustas junto unos gráficos atractivos de cara a la presentación de los resultados en un informe o en un artículo científico
2.2. OBJETIVOS ESPECIFICOS2.2.1. Conocer la terminología y de la inteligencia artificial.2.2.2. Conocer las bases de la inteligencia artificial, sus ventajas y sus
limitaciones.2.2.3. Conocer las principales redes neuronales artificiales, sus
características de aplicación y su desarrollo y ser capaz de decidir y desarrollar el tipo de red neuronal más adecuada a cada caso concreto en función de los datos disponibles.
2.2.4. Conocer los métodos de evaluación de la aptitud de una red neuronal artificial y ser capaz de evaluar dicha aptitud para resolver el problema planteado.
1
Limitless Power of Information (LPI)AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES3. LA METODOLOGIA DE ENSEÑANZA
El curso se desarrolla a través de procesos de e-learning de transferencia de conocimiento, basados en la plataforma TeamViewer (TeamViewer es un plataforma altamente eficiente en el proceso de intercambio de conocimiento).
Se presentarán diapositivas y transparencias para las sesiones del curso.
Asimismo en el curso los estudiantes disponen una base de datos de conocimiento bajo la tecnología Wiki con información de:- Las clases en power point- Videos explicativos de las lecciones teóricas y prácticas- Manuales y documentos de interés.- Links de importancia.- Etc.
Durante el curso se desarrollaran varios casos de uso de las Redes Neuronales Artificiales.
Al final del curso el alumno presentará un ejercicio de ejemplo realizado por él mismo (Anexo A).
LPI AddKw tendrá derecho a utilizar con fines de difusión, formación e investigación todo el material utilizados en el curso. AddKw podrá publicar en el portal y en la base de conocimientos los estudios de casos seleccionados, otorgando los créditos de autoría al estudiante. Los horarios son abiertos a elección del participante en coordinación con AddKw. Al ser cursos personalizados hay amplia flexibilidad de elección de los horarios, teniendo en consideración la diferencia de horas ya que los docentes pueden estar en Europa o en LatinoAmerica.
En caso el curso sea de interés del participante se desarrollará un seminario explicativo de 1 hora para explicar el alcance y objetivos del curso, el funcionamiento del aula virtual, establecer los horarios y verificar y asesorar sobre la instalación del producto en el equipo del participante. Este seminario se realizará en fecha previa al inicio del curso.
2
Limitless Power of Information (LPI)AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES4. UNIDADES Y CONTENIDOS TEMÁTICOS POR SESIÓN
PROGRAMA SEMANAL (CLASES) – 20 horas de lección.
Lección
HRS. TEMA
1 02
Introducción al Programa MATLAB- Conceptos básicos.- Vectores y Matrices.- Biblioteca de funciones- Programación en MATLAB- Cálculo numérico.
2 02
La Inteligencia Artificial- Conceptos- Las Redes Neuronales Artificiales- Las Redes Neuronales Artificiales y la estadística
3 02
El Perceptrón Multicapa.- Arquitectura.- Funciones de transferencia.- Algoritmo de aprendizaje.- Proceso de aprendizaje.
4 02
El Perceptrón Multicapa.- Ejemplo de modelización de la resistencia a flexión de la
madera sólida.- Ejemplo de un perceptrón clasificador.
Redes neuronales de base radial.- Arquitectura.
5 02
Redes neuronales de base radial.- Comparación con el perceptrón multicapa.- Tipos de redes de base radial.- Programación de una red de base radial.
6 02
Redes neuronales Recurrentes.- La modelización temporal.- Introducción, el concepto de dependencia del tiempo.- Tipos de redes recurrentes.
7 02
Redes neuronales Recurrentes.- Programación de las redes recurrentes.- Ejemplo de modelización de una serie temporal.
Las redes neuronales de aprendizaje no supervisado- Principios básicos.
3
Limitless Power of Information (LPI)AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
8 02
Las redes neuronales de aprendizaje no supervisado- Mapas autoorganizativos.- Programación de un mapa autoorganizativo.- Ejemplo del viajante de comercio- Ejemplo de clasificadores
9/10 04
Presentación del proyecto final del curso de ANN- Cada alumno presentará durante un tiempo máximo de 15
minutos un caso particular resuelto tras el cual se abrirá un turno de preguntas de 5 minutos.
5. PUBLICO OBJETIVO
El curso está dirigido a cualquier persona involucrada en el análisis de datos y modelización de los mismos dentro de la empresa.
6. BIBLIOGRAFIA
6.1.ONG LPI – Addkw Sudamerica URL: http://addkw.com/ 6.2.Hagan M.T., Demuth H.B., Beale M., 1996. Neural Network Design. PWS Pub. Co.,
Boston, USA, 732 pp. ISBN: 05349433226.3.Haykin S., 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall,
2nd edition, New Jersey, USA 842 pp. ISBN: 0132733501.6.4.Isasi P., Galván I.M., 2004. Redes Neuronales Artificiales, un enfoque práctico.
Pearson Educación, S.A., Madrid, España, 229 pp. ISBN: 84205402506.5.Mathews J. H. Fink K. D.; 2000. Métodos numéricos con MATLAB. Editorial Prentice
Hall Ibérica S.R.L. ISBN: 84-8322-181-0. 736 pp.
7. REQUERIMIENTOS
Para el dictado del curso el estudiante debe contar con lo siguiente:- Programa MATLAB- Si lo requiere el participante puede solicitar un servidor virtual para
descargarlo en el computador.- Sistema de audio y video en correcto funcionamiento.- Linea de internet estable.
En caso el alumno no cuente con esta información LPI AddKw podrá brindar facilidades al alumno.
LPI AddKw tendrá derecho a publicar en el portal y en la base de conocimientos los estudios de casos seleccionados, otorgando los créditos de autoría al estudiante.
4
Limitless Power of Information (LPI)AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
Anexo A
EJEMPLO DE FIN DE CURSO
En este caso el alumno elegirá un problema real, o se le proporcionarán los datos de un ejemplo, para que desarrolle un ejercicio.
En el Ejercicio deberá seleccionar la red neuronal más adecuada y compararla con otros sistemas de modelización utilizados tradicionalmente para ese tipo de datos.
Finalmente el alumno presentará en la plataforma web durante un tiempo máximo de 15 minutos el trabajo realizado.
1. INTRODUCCIÓN.1.1. Problema planteado1.2. Métodos clásicos de resolución del mismo
2. MATERIAL Y MÉTODOS2.1. Métodos de obtención de los datos.2.2. Métodos clásicos de modelización para este caso.2.3. Procedimiento de selección del modelo de red neuronal.2.4. Proceso de aprendizaje y generalización.2.5. Método seleccionado de evaluación de la red.
3. RESULTADOS.3.1. Resultados obtenidos por la red.3.2. Comparación con otros métodos de modelización.
4. Conclusiones.4.1. Discusión de la aptitud de la red frente a otros modelos.4.2. Elección del sistema de modelización más adecuado.
5