Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de las RNA.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una RNA.
- Funciones de activación utilizadas en las RNA.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra de vectores y matrices.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje por corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de una sola capa.
- Estructura y aprendizaje de perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- Perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de los perceptrones.
RNA Feedforward (de avance hacia adelante).
- Estructuras de redes feedforward multicapa.
- Algoritmo de propagación inversa (backpropagation).
- Propagación inversa: entrenamiento y convergencia.
- Aproximación funcional con propagación inversa.
- Aspectos prácticos y de diseño del aprendizaje por propagación inversa.
Redes de Funciones Base Radiales (RBF).
- Separabilidad de patrones e interpolación.
- Teoría de la regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de RBF.
Aprendizaje competitivo y RNA autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización de vectores de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativas.
- Propiedades de los mapas de características.
Redes Neuronales Fuzzy.
- Sistemas neuro-fuzzy.
- Fundamentos de conjuntos y lógica fuzzy.
- Diseño de sistemas fuzzy.
- Diseño de RNA fuzzy.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de redes neuronales, sus ventajas y problemas.
DÍA 2 - APRENDIZAJE AUTOMÁTICO
- Marco de Aprendizaje PAC
- Garantías para conjuntos de hipótesis finitos – caso consistente
- Garantías para conjuntos de hipótesis finitos – caso inconsistente
- Generalidades
- Escenarios deterministas vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad Rademacher y Dimensión VC
- Compensación sesgo-varianza
- Regularización
- Sobreajuste (Overfitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (regresión de procesos Gaussianos)
- PCA y Kernel PCA
- Mapas de Autoorganización (SOM)
- Espacio vectorial inducido por núcleos
- Núcleos de Mercer y métricas de similitud inducidas por núcleos
- Aprendizaje por Refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Este contenido se enseñará en relación con los temas cubiertos en el Día 1 y el Día 2
- Regresión Logística y Softmax
- Autoencodedores Esparcidos (Sparse)
- Vectorización, PCA y Blanqueo (Whitening)
- Aprendizaje Autodidacta (Self-Taught Learning)
- Redes Profundas
- Decodificadores Lineales
- Convolution and Pooling
- Codificación Esparcida (Sparse Coding)
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demosestraciones y Aplicaciones
Requerimientos
Buena comprensión de matemáticas.
Buena comprensión de estadística básica.
No se requieren habilidades básicas de programación, pero se recomiendan.
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