Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de las redes neuronales artificiales.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una red neuronal artificial.
- Funciones de activación utilizadas en dichas redes.
- Tipos habituales de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso sobre álgebra vectorial y matricial.
- Conceptos de espacio de estados.
- Principios básicos de optimización.
- Aprendizaje mediante corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje de Hebb.
- Aprendizaje competitivo.
Perceptrones de una sola capa.
- Estructura y proceso de aprendizaje de los perceptrones.
- Clasificadores de patrones: introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Límites del uso del perceptrón.
Redes neuronales artificiales de tipo feedforward.
- Estructura de las redes multicapa de tipo feedforward.
- Algoritmo de retropropagación.
- Aplicación y convergencia del algoritmo de retropropagación.
- Aproximación funcional mediante este método.
- Aspectos prácticos y de diseño relacionados con el aprendizaje por retropropagación.
Redes basadas en funciones de base radial.
- Separabilidad de patrones e interpolación.
- Teoría de la regularización.
- Relación entre regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de las funciones RBF.
Aprendizaje competitivo y redes neuronales autoorganizadas.
- Métodos generales de agrupamiento o clustering.
- Aprendizaje por cuantización vectorial (LVQ).
- Algoritmos y arquitecturas propias del aprendizaje competitivo.
- Mapas de características autoorganizados.
- Características principales de estos mapas.
Redes neuronales difusas.
- Sistemas neurodifusos.
- Fundamentos sobre conjuntos y lógica difusa.
- Diseño de reglas difusas básicas.
- Diseño de redes neuronales artificiales con componentes difusos.
Aplicaciones
- Se analizarán algunos ejemplos prácticos del uso de las redes neuronales, sus ventajas y limitaciones.
DÍA 2 - APRENDIZAJE AUTOMÁTICO
- El marco de aprendizaje PAC
- Garantías para conjuntos finitos de hipótesis: caso consistente.
- Garantías para conjuntos finitos de hipótesis: caso inconsistente.
- Aspectos generales
- Diferencias entre escenarios determinísticos y estocásticos.
- Ruido en el error de Bayes.
- Errores de estimación y aproximación.
- Selección del modelo adecuado.
- Complejidad de Radmeacher y dimensión VC.
- Equilibrio entre sesgo y varianza.
- Métodos de regularización.
- Sobreajuste o overfitting.
- Técnicas de validación.
- Máquinas de vectores de soporte (SVM).
- Kriging: regresión basada en procesos gaussianos.
- PCA y PCA con núcleos.
- Mapas de autoorganización (SOM).
- Espacio vectorial generado mediante operadores de kernel
- Núcleos de Mercer y métricas de similitud derivadas de los núcleos.
- Aprendizaje por refuerzo.
DÍA 3 - APRENDIZAJE PROFUNDO
Esta parte se enseñará integrando los contenidos tratados en el Día 1 y el Día 2.
- Regresión logística y Softmax.
- Autoencoders dispersos.
- Vectorización, PCA y blanqueamiento de datos.
- Aprendizaje autodidacta.
- Redes neuronales profundas.
- Descodificadores lineales.
- Operaciones de convolución y agrupación de información.
- Codificación dispersa.
- Análisis de componentes independientes.
- Análisis de correlación canónica.
- Ejemplos prácticos y aplicaciones concretas.
Requerimientos
Conocimientos sólidos de matemáticas.
Comprensión adecuada de estadística básica.
No es imprescindible contar con habilidades de programación, aunque se recomienda su dominio.
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 4350 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (2)
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
