Redes de Neuronas Artificiales

_____________________________________________________________________________________

TEMA 1. Introducción a las redes de neuronas

1.1. Introducción y fundamentos biológicos

1.2. Modelo computacional

1.3. Aprendizaje y generalización

1.4. Historia de las redes de neuronas


TEMA 2. Primeros modelos computacionales

2.1. Perceptron simple

2.2. Adaline

2.3. Clasificación y regresión lineal

2.4. Problemas no linealmente separables


TEMA 3. Perceptron multicapa

3.1. Introducción

3.2. Arquitectura

3.3. Aprendizaje: algoritmo de retropropagación

3.4. Proceso de aprendizaje

3.5. Algunos problemas con el uso del PM

3.6. Clasificación y regresión no lineal


TEMA 4. Aprendizaje no supervisado

4.1. Introducción

4.2. Aprendizaje competitivo

4.3. Mapas autoorganizados de Kohonen

4.4. Otros algortimos de agrupación o clustering

TEMA 5. Redes de neuronas de base radial

5.1. Introducción

5.2. Arquitectura

5.3. Métodos de aprendizaje

5.4. Redes de base radial frente a perceptron multicapa


TEMA 6. Redes de neuronas recurrentes

6.1. Introducción

6.2. Red de Hopfield

6.3. Redes parcialmente recurrentes

6.4. Redes totalmente recurrentes

6.5. Long Short-Term Memory


TEMA 7. Introducción a deep learning

7.1 Introducción

7.2 El problema del vanishing gradient

7.3 Pre-entrenamiento no supervisado (RBM y Autoencoders)

7.4 Redes convolucionales (CNN's)amen final del curso.