Diferencia entre revisiones de «Redes Neuronales»

De Cuba-Wiki
Línea 32: Línea 32:


== Contenidos ==
== Contenidos ==
'''TODO'''
 
=== Inspiración biológica de las RNA ===
* '''Modelo de McCulloch-Pitts'''
* '''Regla de Hebb'''
 
 
=== Aprendizaje supervisado ===
* '''Perceptrón simple''': unidades umbral, unidades lineales, unidades no lineales
* '''Regla delta'''
* '''Perceptrón multicapa'''
* '''Backpropagation''': asincrónico, sincrónico; mejoras (momento, parámetros adaptativos, y otras)
 
* '''Aplicaciones'''
 
 
=== Aprendizaje no supervisado ===
* '''Aprendizaje Hebbiano no supervisado'''
** Análisis de Componentes Principales (PCA)
** Regla de Oja
** Regla de Sanger (Aprendizaje Hebbiano Generalizado)
* '''Aprendizaje Competitivo no supervisado'''
** Mapas Autoorganizados de Kohonen
* '''Aplicaciones'''
 
 
=== Memorias asociativas ===
* '''Modelo de Hopfield'''
* '''Función de energía'''
* '''Extensiones'''
** Estocástica
** Continua
* '''Estabilidad'''
 
== Prácticas (Dpto. de Computación) ==
== Prácticas (Dpto. de Computación) ==
== Finales ==
== Finales ==

Revisión del 04:33 25 nov 2012

Esta materia es de caracter optativo y de duración cuatrimestral. Se dicta los primeros cuatrimestres de cada año. Es correlativas con Probabilidades y Estadística.


Información General sobre la Cursada

Cursada:

  • Dos días de cursada por semana. Teórica y Práctica.


Criterios de aprobación:

  • Entrega de 3 Trabájos Prácticos aprobatorios.
  • Final, en general oral.

Profesor:

  • Dr. Enrique Seguraes egura(at)dc.uba.ar]

Programa de la materia

  • Inspiración biológica de las RNA
  • Aprendizaje supervisado
  o Perceptrones
  o Backpropagation y otras estrategias de aprendizaje
  • Aprendizaje no supervisado
  o Modelo de Kohonen
  o Modelo de Fritzke
  o Aprendizaje Hebbiano no supervisado
  • Memorias asociativas
  o Modelo de Hopfield
  o Modelo ferromagnético o estocástico
  o Otras variantes del modelo de Hopfield: continuo, pseudoinversa, BAM
  • Modelo Radial Basis Functions


Contenidos

Inspiración biológica de las RNA

  • Modelo de McCulloch-Pitts
  • Regla de Hebb


Aprendizaje supervisado

  • Perceptrón simple: unidades umbral, unidades lineales, unidades no lineales
  • Regla delta
  • Perceptrón multicapa
  • Backpropagation: asincrónico, sincrónico; mejoras (momento, parámetros adaptativos, y otras)
  • Aplicaciones


Aprendizaje no supervisado

  • Aprendizaje Hebbiano no supervisado
    • Análisis de Componentes Principales (PCA)
    • Regla de Oja
    • Regla de Sanger (Aprendizaje Hebbiano Generalizado)
  • Aprendizaje Competitivo no supervisado
    • Mapas Autoorganizados de Kohonen
  • Aplicaciones


Memorias asociativas

  • Modelo de Hopfield
  • Función de energía
  • Extensiones
    • Estocástica
    • Continua
  • Estabilidad

Prácticas (Dpto. de Computación)

Finales

TODO

Apuntes

TODO

Curiosidades

Detección de tanques

Bibliografía Recomendada

  • John Hertz, Anders Krogh, & Richard Palmer. Introduction to the theory of neural computation, Addison-Wesley, 1991
  • Simon Haykin. Neural Networks - A Comprehensive Foundation (2E), Pearson Prentice Hall, 1998

Enlaces externos