Programa Fundamentos y Aplicaciones en Redes Neuronales Artificiales

1. Limitless Power of Information (LPI)
AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
1
1. SUMILLA
Las redes neuronales artificiales son una de las partes de la inteligencia artificial que
intentan imitar el funcionamiento de un cerebro biológico. Compuestas por una serie de
procesadores en paralelo, denominados neuronas, su alta capacidad de modelización y
generalización las ha convertido en una potente herramienta al auxilio de la resolución
de problemas complejos en muy diversos campos del conocimiento, que abarcan desde
la medicina, la biología, las finanzas, la sociología y, por supuesto, la ingeniería.
Este curso busca introducir a los alumnos en el concepto de inteligencia artificial y en
el área de las redes neuronales artificiales empleando como soporte tecnológico el
programa MATLAB. Durante el curso se desarrollarán varios ejemplos de aplicación a
diferentes ámbitos de forma que el alumno tenga una visión general de este sistema
avanzado de modelización.
El contenido está orientado a todo el personal involucrado en tareas de modelización y
análisis de datos dentro de una investigación específica desarrollada en su empresa.
2. OBJETIVOS
2.1.OBJETIVOS GENERALES
El objetivo general del curso es la de crear las bases conceptuales y
metodológicas para la aplicación de las Redes Neuronales Artificiales a la
modelización de datos a fin de obtener unas conclusiones robustas junto unos
gráficos atractivos de cara a la presentación de los resultados en un informe o en
un artículo científico
2.2.OBJETIVOS ESPECIFICOS
2.2.1. Conocer la terminología y de la inteligencia artificial.
2.2.2. Conocer las bases de la inteligencia artificial, sus ventajas y sus
limitaciones.
2.2.3. Conocer las principales redes neuronales artificiales, sus características de
aplicación y su desarrollo y ser capaz de decidir y desarrollar el tipo de red
neuronal más adecuada a cada caso concreto en función de los datos
disponibles.
2.2.4. Conocer los métodos de evaluación de la aptitud de una red neuronal
artificial y ser capaz de evaluar dicha aptitud para resolver el problema
planteado.

2. Limitless Power of Information (LPI)
AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
2
3. LA METODOLOGIA DE ENSEÑANZA
El curso se desarrolla a través de procesos de e-learning de transferencia de
conocimiento, basados en la plataforma TeamViewer (TeamViewer es un plataforma
altamente eficiente en el proceso de intercambio de conocimiento).
Se presentarán diapositivas y transparencias para las sesiones del curso.
Asimismo en el curso los estudiantes disponen una base de datos de conocimiento bajo
la tecnología Wiki con información de:
- Las clases en power point
- Videos explicativos de las lecciones teóricas y prácticas
- Manuales y documentos de interés.
- Links de importancia.
- Etc.
Durante el curso se desarrollaran varios casos de uso de las Redes Neuronales
Artificiales.
Al final del curso el alumno presentará un ejercicio de ejemplo realizado por él mismo
(Anexo A).
LPI AddKw tendrá derecho a utilizar con fines de difusión, formación e investigación
todo el material utilizados en el curso. AddKw podrá publicar en el portal y en la
base de conocimientos los estudios de casos seleccionados, otorgando los créditos
de autoría al estudiante.
Los horarios son abiertos a elección del participante en coordinación con AddKw. Al ser
cursos personalizados hay amplia flexibilidad de elección de los horarios, teniendo en
consideración la diferencia de horas ya que los docentes pueden estar en Europa o en
LatinoAmerica.
En caso el curso sea de interés del participante se desarrollará un seminario explicativo
de 1 hora para explicar el alcance y objetivos del curso, el funcionamiento del aula
virtual, establecer los horarios y verificar y asesorar sobre la instalación del producto
en el equipo del participante. Este seminario se realizará en fecha previa al inicio del
curso.

3. Limitless Power of Information (LPI)
AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
3
4. UNIDADES Y CONTENIDOS TEMÁTICOS POR SESIÓN
PROGRAMA SEMANAL (CLASES) – 20 horas de lección.
Lección HRS. TEMA
1 02
Introducción al Programa MATLAB
- Conceptos básicos.
- Vectores y Matrices.
- Biblioteca de funciones
- Programación en MATLAB
- Cálculo numérico.
2 02
La Inteligencia Artificial
- Conceptos
- Las Redes Neuronales Artificiales
- Las Redes Neuronales Artificiales y la estadística
3 02
El Perceptrón Multicapa.
- Arquitectura.
- Funciones de transferencia.
- Algoritmo de aprendizaje.
- Proceso de aprendizaje.
4 02
El Perceptrón Multicapa.
- Ejemplo de modelización de la resistencia a flexión de la madera
sólida.
- Ejemplo de un perceptrón clasificador.
Redes neuronales de base radial.
- Arquitectura.
5 02
Redes neuronales de base radial.
- Comparación con el perceptrón multicapa.
- Tipos de redes de base radial.
- Programación de una red de base radial.
6 02
Redes neuronales Recurrentes.
- La modelización temporal.
- Introducción, el concepto de dependencia del tiempo.
- Tipos de redes recurrentes.
7 02
Redes neuronales Recurrentes.
- Programación de las redes recurrentes.
- Ejemplo de modelización de una serie temporal.
Las redes neuronales de aprendizaje no supervisado
- Principios básicos.

4. Limitless Power of Information (LPI)
AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
4
8 02
Las redes neuronales de aprendizaje no supervisado
- Mapas autoorganizativos.
- Programación de un mapa autoorganizativo.
- Ejemplo del viajante de comercio
- Ejemplo de clasificadores
9/10 04
Presentación del proyecto final del curso de ANN
- Cada alumno presentará durante un tiempo máximo de 15 minutos
un caso particular resuelto tras el cual se abrirá un turno de
preguntas de 5 minutos.
5. PUBLICO OBJETIVO
El curso está dirigido a cualquier persona involucrada en el análisis de datos y
modelización de los mismos dentro de la empresa.
6. BIBLIOGRAFIA
6.1. ONG LPI – Addkw Sudamerica URL: http://addkw.com/
6.2. Hagan M.T., Demuth H.B., Beale M., 1996. Neural Network Design. PWS Pub. Co., Boston,
USA, 732 pp. ISBN: 0534943322
6.3. Haykin S., 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall, 2nd edition,
New Jersey, USA 842 pp. ISBN: 0132733501.
6.4. Isasi P., Galván I.M., 2004. Redes Neuronales Artificiales, un enfoque práctico. Pearson
Educación, S.A., Madrid, España, 229 pp. ISBN: 8420540250
6.5. Mathews J. H. Fink K. D.; 2000. Métodos numéricos con MATLAB. Editorial Prentice Hall
Ibérica S.R.L. ISBN: 84-8322-181-0. 736 pp.
7. REQUERIMIENTOS
Para el dictado del curso el estudiante debe contar con lo siguiente:
- Programa MATLAB
- Si lo requiere el participante puede solicitar un servidor virtual para descargarlo en
el computador.
- Sistema de audio y video en correcto funcionamiento.
- Linea de internet estable.
En caso el alumno no cuente con esta información LPI AddKw podrá brindar
facilidades al alumno.
LPI AddKw tendrá derecho a publicar en el portal y en la base de conocimientos
los estudios de casos seleccionados, otorgando los créditos de autoría al
estudiante.

5. Limitless Power of Information (LPI)
AddKw
FUNDAMENTOS Y APLICACIONES EN REDES NEURONALES ARTIFICIALES
5
Anexo A
EJEMPLO DE FIN DE CURSO
En este caso el alumno elegirá un problema real, o se le proporcionarán los datos de un
ejemplo, para que desarrolle un ejercicio.
En el Ejercicio deberá seleccionar la red neuronal más adecuada y compararla con otros
sistemas de modelización utilizados tradicionalmente para ese tipo de datos.
Finalmente el alumno presentará en la plataforma web durante un tiempo máximo de
15 minutos el trabajo realizado.
1. INTRODUCCIÓN.
1.1. Problema planteado
1.2. Métodos clásicos de resolución del mismo
2. MATERIAL Y MÉTODOS
2.1. Métodos de obtención de los datos.
2.2. Métodos clásicos de modelización para este caso.
2.3. Procedimiento de selección del modelo de red neuronal.
2.4. Proceso de aprendizaje y generalización.
2.5. Método seleccionado de evaluación de la red.
3. RESULTADOS.
3.1. Resultados obtenidos por la red.
3.2. Comparación con otros métodos de modelización.
4. Conclusiones.
4.1. Discusión de la aptitud de la red frente a otros modelos.
4.2. Elección del sistema de modelización más adecuado.