_____________________________________________________________________________________


Bloques temáticos Tiempo previsto de aprendizaje Materiales de estudio y lectura básicos Casos prácticos Materiales de estudio y lectura complementarios
Pruebas de evaluación
Tema 1

Introducción Redes de Neuronas

  • Introducción
  • Fundamentos Biólogicos
  • Modelo Computacional
  • Aprendizaje y Generalización
  • Breve Historia
1 hora de estudio

1.1. Breve descripción de los contenidos (PDF).

1.2. Transparencias (PDF).

CP 1. Preparación de datos y Medidas de evaluación (PDF)
Cap. 1 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 4 de Machine Learning. Tom M. Mitchell., Neural Computation. An introduction. R Beale., Neural Networks. A comprehensive Foundation. S. Haykin.
Enlace a Vídeo sobre Sinapsis
PE 1.1. Evaluación Tema 1 (PDF)
PE 1.2. Solución Evaluación Tema 1 (PDF)
Tema 2

Primeros Modelos Computacionales

  • Perceptron Simple
  • Clasificación lineal
  • Adaline
  • Regresión lineal
  • Problemas no linealmente separables
3 horas de estudio +
5 horas
Caso práctico I

2.1. Breve descripción de los contenidos (PDF).

2.2. Transparencias 2 (PDF).

CP 2. Dominio de regresión: Estimación de la Radiación Solar

CP 2.1. Descripción del dominio (PDF)

CP 2.2. Datos (CVS)
Cap. 2 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 4 de Machine Learning. Tom M. Mitchell.
Neural Computation. An introduction. R Beale.
Enlace a Vídeo sobre Perceptron Simple

PE 2.1. Evaluación Tema 2 (PDF)
PE 2.2. Solución Evaluación Tema 2 (PDF)
Tema 3

Perceptron Multicapa

  • Introducción
  • Arquitectura
  • Algortimo de Retropropagación
  • Proceso de Aprendizaje
  • Algunos problemas con el uso del PM
  • Clasificación y regresión no lineal
3.5 horas de estudio +
4 horas Caso práctico II +
4 horas Caso práctico III

3.1. Breve descripción de los contenidos (PDF).

3.2. Transparencias (PDF).

CP 3. Dominio de clasificación: Tipo de cielo

CP 3.1. Descripción del dominio (PDF)

CP 3.2. Datos (CVS)

Cap. 3 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 4 de Machine Learning. Tom M. Mitchell.
Cap. 7 de Neural Networks: a systematic introduction. R. Rojas.
Neural Networks. A comprehensive Foundation. S. Haykin.
Enlace UCI Machine Learning Repository
Enlace Keel Repository
Enlace Perceptron Multicapa y Deep Learning
Enlace a manual de RSNNS
PE 3.1. Evaluación Tema 3 (PDF)
PE 3.2. Solución Evaluación Tema 3 (PDF)
Tema 4

Aprendizaje No - Supervisado

  • Introducción
  • Modelo Básico
  • Mapas Autoorganizativos de Kohonen
  • Otros algoritmos de agrupación o clustering
3.5 horas de estudio +
4 horas Caso práctico V

4.1. Breve descripción de los contenidos (PDF).

4.2. Transparencias (PDF).

4.3. Algoritmo de k-medias (PDF).

4.4. Learning Vector Quantization (PDF).

CP 4. Caso Práctico I

CP 4.1. Enunciado y guía para la realización (PDF)

CP 4.2. Autoevaluación (PDF)
Cap. 6 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 15 de Neural Networks: a systematic introduction. R. Rojas.
Cap. 4 de Machine Learning. Tom M. Mitchell. Mc Graw-Hill.
Enlace UCI Machine Learning Repository
Enlace Keel Repository
Enlace a manual de RSNNS
PE 4.1 Evaluación Tema 4 (PDF)
PE 4.1 Solución Evaluación Tema 4 (PDF)
Tema 5

Redes de neuronas de base Radial

  • Introducción
  • Arquitectura
  • Métodos de aprendizaje
  • Redes de base radial versus Perceptron Multicapa
3 horas de estudio +
4 horas Caso práctico IV
5.1. Breve descripción de los contenidos (PDF).
5
. 2. Transparencias (PDF).
CP 5. Caso Práctico II

CP 5.1. Enunciado y guía para la realización (PDF)

CP 5.2. Script en R para la realización de la práctica (TXT)

CP 5.3. Autoevaluación (PDF)
Cap. 4 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 4 de Machine Learning. Tom M. Mitchell. Mc Graw-Hill.
Enlace UCI Machine Learning Repository
Enlace Keel Repository
Red de Base Radial
Enlace a manual de RSNNS
PE 5.1. Evaluación Tema 5 (PDF)
PE 5.2. Solución Evaluación Tema 5 (PDF)
Tema 6

Redes Recurrentes

  • Introducción
  • Red de Hopfield
  • Redes Parcialmente Recurrentes
  • Redes Totalmente Recurrentes
  • Long Short-Term Memory
3.5 horas de estudio
6.1. Breve descripción de los contenidos (PDF).
6.2. Transparencias (PDF).
CP 6. Caso Práctico III

CP 6.1. Enunciado y guía para la realización (PDF)

CP 6.2. Script en R para la realización de la práctica (TXT)

CP 6.3. Autoevaluación (PDF)
Cap. 5 de Redes de Neuronas Artificiales: Un enfoque práctico. Pedro Isasi e Inés M. Galván.
Cap. 13 de Neural Networks: a systematic introduction. R. Rojas.,
Neural Networks. A comprehensive Foundation. S. Haykin.
Enlace UCI Machine Learning Repository
Enlace Keel Repository
Enlace a manual de RSNNS
Enlace a Long Short-Term Memory
Enlace a EVOLINO
PE 6.1. Evaluación Tema 6 (PDF)
PE 6.2. Solución Evaluación Tema 6 (PDF)
Tema 7

Introducción a deep learning

3.5 horas de estudio 7.1. Breve descripción de los contenidos (PDF).
7.2. Transparencias (PDF).


CP 7. Caso Práctico IV

CP 7.1. Enunciado y guía para la realización (PDF)

CP 7.2. Script1 en R para la realización de la práctica (TXT)

CP 7.3. Script2 en R para la realización de la práctica (TXT)

CP 7.4. Autoevaluación (PDF)

Deep Learning. Ian Goodfellow, Yoshua Bengio, Aaron Courville.
Enlace Perceptron Multicapa y Deep Learning
Why are deep neural networks hard to train?
Recursos para Deep Learning
PE 7.1. Evaluación Tema 7 (PDF)
PE 7.2. Solución Evaluación Tema 7 (PDF)
Examen Final


2.5 horas de estudio


CP 8. Caso Práctico V

CP 8.1. Enunciado y guía para la realización (PDF)

CP 8.2. Enlace al paquete SOM-PAK (URL)

CP 8.3. Manual de uso del software SOM-PAK (PDF)

CP 8.4. Autoevaluación (PDF)


PE 8.1. Examen Final (PDF)
PE 8.2. Examen Final Solución (PDF)
Last modified: Wednesday, 2 March 2022, 1:40 PM