Presentacion

Las redes neuronales son extremadamente populares hoy en día. Como disciplina de estudio las podemos encontrar como un subcampo de la inteligencia artificial. Son algoritmos de cómputo basados originalmente en la estructura del cerebro y actualmente se usan para una gran diversidad de cosas como pueden ser el reconocimiento de imágenes, procesamiento del lenguaje natural y hasta para la investigación de matemáticas fundamentales.

El desarrollo de las redes neuronales como herramientas de cómputo empezó alrededor de 1940 con el trabajo de McCulloch y Pitts y han tenido un camino largo que ha pasado por una etapa de estancamiento pero han recobrado un interés muy extenso por su gran capacidad como herramientas de cómputo para generalizar conceptos.

Dentro de las usos comunes de las redes neuronales se encuentran la clasificación estadística, la detección de anomalías y la aproximación general de funciones. Dentro de los diferentes tipos que existen de redes neuronales están las de señalización por capas y las recurrentes, dentro de las que podemos encontrar al perceptrón multicapa o las convolucionales en las primeras y las redes de Hopfield y SOM en las segundas.

En este curso se verán fundamentos teóricos y prácticos para comprender y usar diferentes redes neuronales así como una perspectiva del estado actual que guarda este campo. Está orientado para computólogos así como para cualquier otra carrera que quiera conocer el uso de las rede neuronales como herramientas usadas en el campo científico.

Temario

    1. Fundamentos.

        1. Fundamentos biológicos

        2. Revisión histórica

        3. Optimización y descenso del gradiente

        4. Regresión lineal y logística

        5. Regularización

    2. Redes de señalización por capas

        1. El perceptrón simple

        2. El problema del XOR

        3. El perceptrón multicapa

        4. Retropropagación

        5. El problema XOR revisitado

    1. Redes autoasociativas

        1. Introducción a sistemas dinámicos

        2. Aprendizaje Hebbiano

        3. Modelo de Hopfield

        4. Máquinas de Boltzmann

    1. Máquinas de Soporte Vectorial

        1. Máquinas de Kernel

        2. Dimensión VC

    1. Mapas Autoorganizados

        1. Aprendizje no supervisado

        2. k-NN y k-Means

        3. Algoritmos (competencia y cooperación)

        4. Agrupamiento

    1. * Redes profundas