REDES NEURONALES UNMSM-FISI HUGO VEGA

REDES NEURONALES UNMSM-FISI HUGO VEGA

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, Decana de América

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
Escuela Académico Profesional de Ingeniería de Sistemas

SYLLABUS DE REDES NEURONALES 2016-I

I. ESPECIFICACIONES GENERALES:

• Nombre del Curso        :  Redes Neuronales
• Código del Curso         :  201206
• Duración del Curso      :  17 semanas
• Forma de Dictado        :  Teórico
• Horas Semanales         :  2 horas
• Naturaleza                  :  Formación Profesional
• Número de Créditos     :  2
• Prerrequisitos              :  207008 – Inteligencia Artificial
• Semestre Académico    :  2016-I

II. OBJETIVO GENERAL:

Hacer que el estudiante sea capaz de analizar y desarrollar sistemas inteligentes basados en Redes Neuronales Artificiales (RNA), que sea capaz de aplicarse en la resolución del problemas identificado en los sectores de servicios, ciencia y tecnología.

III. OBJETIVOS ESPECÍFICOS:

Que el estudiante sea capaz de:

Aprender los conceptos, fundamentos y aplicaciones de la metodología denominada Redes Neuronales Artificiales (RNA).

Representar problemas de diversa índole mediante RNA, enfatizando en cómo usar los datos disponibles, en cómo seleccionar el tipo de arquitectura de la red y el tipo de entrenamiento a usar.

Diseñar, desarrollar y aplicar algunos de los principales modelos de RNA's con Entrenamiento Supervisado, a diversos problemas.

IV. CONTENIDO ANALÍTICO POR SEMANA:

Semana	Tópico	Clase	Trabajos
1	Semana 1 Presentación del curso. Introducción a las Redes Neuronales: Definición, reseña histórica, características principales, comparación con otras técnicas de la Inteligencia Artificial, aplicaciones.	Clase01	Trabajo01
2	Semana 2 Modelizado de la neurona biológica y de las redes neuronales biológicas. Estructura de los modelos conexionistas. Tipos de arquitectura. Taxonomía de redes neuronales artificiales. Aprendizaje en las redes neuronales: concepto de aprendizaje, tipos de entrenamiento.	Clase02	Trabajo02
3	Semana 3 Representación de problemas mediante Redes Neuronales Supervisadas. Perceptrón Unicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo.	Clase03	Trabajo03
4	Semana 4 Aplicaciones a casos prácticos del Perceptrón Unicapa. Herramientas computacionales para redes neuronales.	Clase04
5	Semana 5  Red ADALINE: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. Aplicaciones a casos prácticos. Comparación con Perceptrón Unicapa.	Clase05
6	Semana 6 Perceptrón Multicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje (Backpropagation) y algoritmo.	Clase06	Trabajo06
7	Semana 7 Presentación del trabajo computacional 1.	TrabajoReco	Trabajo07
8	EXAMEN PARCIAL
9	Semana 9 Validación de redes Backpropagation. Criterios de parada. Sobreentrenamiento. Variantes del algoritmo Backpropagation.	Clase09	Trabajo09
10	Semana 10 Aplicaciones a casos prácticos de la red Perceptrón Multicapa.
11	Semana 11 Redes neuronales auto-organizativas: características principales, tipos. Representación de problemas usando redes no supervisadas. Red Kohonen de una capa: funcionamiento básico, capacidad de representación, reglas de aprendizaje y algoritmo.	Clase11
12	Semana 12 Aplicaciones a casos prácticos de la Red Kohonen de una capa.	Clase12
13	Semana 13 Mapas auto-organizables de Kohonen: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. Aplicaciones de los Mapas auto-organizables de Kohonen.	Clase13
14	Semana 14 Redes Recurrentes: características principales, tipos. Representación de problemas usando redes recurrentes. Redes de Hopfield: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. Aplicaciones de la Red de Hopfield.	Clase14
15	Semana 15 Presentación del trabajo computacional 2.	ProyectoFinal	Paper
16	EXAMEN FINAL
17	EXAMEN SUSTITUTORIO

Archivos Adjuntos	Archivos
NeuronTrainPattern    Para el proyecto del reconocimiento de hojas, utilizamos el software proporcionado, que ayudo en el entrenamiento de la Red neuronal.Se adjunta el software mencionado con algunos documentos que explican el uso del mismo.	NeuronTrainPattern
Paper Reconocimiento de patrones mediante redes neuronales artificiales. Autores: Hugo Vega Huerta Augusto Cotez Vásquez  Ana María Huayna  Luis Alarcón Loayza  Pablo Romero Naupari	Paper

a
Programas utilizado
lVI. METODOLOGÍA :

Las clases serán ofrecidas mediante exposiciones orales utilizando diapositivas y proyector multimedia. Se presentarán estudios de casos prácticos en los sectores de la industria y servicios. Los estudiantes organizados en grupos de 2 o 3 alumnos, desarrollarán un trabajo computacional.

VII. SISTEMA DE EVALUACIÓN:

La evaluación del curso contempla dos exámenes, una práctica calificada, una lectura obligatoria y dos trabajos de computación. Se considerará un examen sustitutorio sólo en caso de inasistencia a alguno de los exámenes por razones de fuerza mayor.
La nota del curso será obtenida mediante la siguiente expresión:

Control de lectura                       5%
Práctica Calificada                       5%
Trabajos computacionales          30%
Examen Parcial                         30%

Examen Final                           30%

Temas Para Trabajo Computacional
Los estudiantes deberán desarrollar una aplicación que implemente alguna de las arquitecturas de Redes Neuronales presentadas. La aplicación deberá abordar algún problema de la educación, industria o servicios.

VIII. BIBLIOGRAFÍA

- Redes Neuronales y Sistemas Difusos; B. Martín del Brío, A. Sanz Molina, Alfaomega 2002

- Programming Neural Networks with Encog3 in Java, 2nd edition; Jeff Heaton, Ed. Heaton Research
Incorporated, 2011.

- Redes Neuronales Artificiales. Fundamentos y Modelos; J. Hilera/ V. Martínez, Alfaomega 2000.

- Redes Neuronales: Algoritmos, aplicaciones y técnicas de programación; J. Freeman, D. Skapura
Addisson - Wesley Iberoamericana 1993.

- http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/ ; Enlaces para archivos PDF del
“Neural Networks User’s Guide”.