Está en la página 1de 8

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS


DEPARTAMENTO ACADEMICO DE COMPUTACIN Y
ELECTRNICA

S la b o

de

REDES NEURONALES
(CL558)

Lambayeque Per

Facfym Liderando el Cambio de


la Nueva Universidad

SLABO DE REDES NEURONALES

2016

I.

DATOS GENERALES
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
1.7.
1.8.
1.9.
1.10.

1.11.

1.12.
1.13.
1.14.
1.15.

II.

Facultad
Escuela profesional
Asignatura
Cdigo
Nmero de crditos
Pre-requisitos
Ciclo de estudios
rea
Plan de estudios
Extensin horaria
Teora
Prctica
Laboratorio
Semestre acadmico
Inicio
Final
Duracin
Docente
Correo electrnico
Tutora

: Ciencias Fsicas y Matemticas


: Electrnica
: Redes Neuronales
: CL558
: 05
: Sistemas de Control Industrial
: Dcimo ciclo
:
: 2001
: Cinco horas semanales
: Tres
: Dos
:: 2016 - II
: 05 de Setiembre del 2016
: 26 de Diciembre del 2016
: 16 semanas
: Mg. Luca Isabel Chamn Cabrera
: lchaman@unprg.edu.pe
: Sala de profesores de Electrnica

FUNDAMENTACION - SUMILLA

Actualmente se busca disear y construir mquinas capaces de realizar procesos


con cierto grado de inteligencia, uno de los paradigmas para la realizacin de este
objetivo son las redes neuronales. En este curso se intenta desarrollar la teora
bsica y algunas aplicaciones de las redes neuronales que le permitir al
estudiante

de

Ingeniera

Electrnica

estar

familiarizado

con

esta

novel

herramienta.

III. OBJETIVOS GENERALES


3.1.

El alumno conocer y entender las diferentes arquitecturas de redes


neuronales

y sus aplicaciones y ser capaz de realizar un Clasificador

de Patrones, y un sistema de control guiado de pequeos robots mviles


con redes neuronales.

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

3.2.

Conocer los fundamentos para poder representar cualquier tipo de red

3.3.

neuronal.
Entender el mecanismo de entrenamiento de las diferentes redes
neuronales, como la forma de actualizacin de los diferentes parmetros

3.4.

de las redes neuronales para conseguir un comportamiento deseado.


Analizar y construir redes neuronales para la clasificacin y

3.5.

reconocimiento de patrones y control de pequeos robots mviles.


Utilizar las redes de aprendizaje asociativo y competitivo.

IV. PROGRAMA DE CONTENIDOS


4.1.

UNIDAD I: Conceptos de Redes neuronales y aprendizaje automtico


4.1.1. OBJETIVOS ESPECFICOS
Comprender los fundamentos de neuronales y aprendizaje de
mquina.
Entender los diferentes tipos de redes neuronales.
4.1.2. CONTENIDOS DE APRENDIZAJE

Semana
1
2
3

Contenido
Introduccin a Redes neuronales. Aprendizaje de la
mquina. Aprendizaje automtico. Reconocimiento de
voz de tareas.
Neurona tpica cortical. Sinapsis. La modularidad y el
cerebro.
Redes neuronales feed-forward. Redes recurrentes.
Redes neuronales recurrentes para secuencias de
modelado. Redes conectadas simtricamente

Estrategia
didctica
Trabajo
colaborativo
Trabajo
colaborativo
Trabajo
colaborativo

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

4.2.

UNIDAD II: Funcionamiento de una red neuronal


4.2.1.

OBJETIVOS ESPECFICOS
Comprender el reconocimiento estadstico de patrones.
Entender el funcionamiento bsico de una red neuronal.

4.2.2. CONTENIDOS DE APRENDIZAJE

Semana

Contenido
El paradigma estndar para el reconocimiento
estadstico de patrones. La arquitectura estndar de la
percepcin. Los sesgos utilizando la misma regla que
usamos para los pesos de aprendizaje. procedimiento
de convergencia percepcin: Entrenamiento neuronas
de salida binarios como clasificadores
Peso espacio .El cono de soluciones factibles.
Procedimiento de aprendizaje. Bosquejo informal de la
prueba de la convergencia
Las limitaciones de la Percepcin. Una visin de lo que
el umbral neuronal binario no puede hacer. Aprender
con unidades ocultas
Funcionamiento bsico de una red neuronal.
Conexiones de las neuronas. Pesos sinpticos.
Perceptrn Multicapa. La retropropagacin.
Estructura de una red neuronal. Un breve desvo en la
ciencia cognitiva. Representaciones localizadas y
distribuidas de conceptos. La funcin de salida softmax.
Problemas con el error cuadrtico. Modelos de lenguaje
neuro-probabilstico. Maneras de hacer frente a la gran
cantidad de posibles salidas de modelos de lenguaje
neuro-probabilstico.

Estrategia
didcticas

Trabajo
colaborativo

Trabajo
colaborativo
Trabajo
colaborativo
Trabajo
colaborativo

Trabajo
colaborativo

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

4.3.

UNIDAD III:

Aprendizaje automtico

4.3.1. OBJETIVOS ESPECFICOS


Conocer sobre los diferentes tipos de aprendizaje.
Entender el modelamiento de secuencias.
4.3.2. CONTENIDOS DE APRENDIZAJE
Semana

Estrategia
didcticas

Contenido
Reconocimiento de objetos con redes neuronales.
Reglas de aprendizaje supervisado. Reconocimiento de
objetos con redes neuronales. Reglas de aprendizaje
no supervisado. El mtodo de la fuerza bruta.
Aprendizaje automtico. Elemento bsico. Neurona
artificial. El proceso de entrenamiento. Aprendizaje por
correccin de error. Regresin logstica.
Modelamiento de secuencias. Sistemas dinmicos
lineales. Modelos Markov ocultos. Redes neuronales
recurrentes. Entrenando con redes neuronales con
retropropagacin. Conectividad de la red.
Cadenas de caracteres Modelando con conexiones
multiplicativas
Modelado de texto: Ventajas de trabajar con
caracteres.
Aprender a predecir el siguiente carcter utilizando HF.
Redes estatales ECO.

10

11

12

4.4.

Trabajo
colaborativo
Trabajo
colaborativo
Trabajo
colaborativo

Trabajo
colaborativo

UNIDAD IV: Enfoque Bayesiano


4.4.1. OBJETIVOS ESPECFICOS
Entender el Enfoque Bayesiano.
4.4.2. CONTENIDOS DE APRENDIZAJE

Semana

Contenido

13

Las formas de mejorar la generalizacin. Limitar el


tamao de los pesos.

Estrategia
didcticas
Trabajo
colaborativo

14

Uso del ruido


Bayesiano.

Trabajo
colaborativo

15
16

como

un

regularizador.

Enfoque

Interpretacin bayesiano de la decadencia de peso.


Mtodo rpido de Mackay de fijacin de costos de
pesos. Combinando redes: sesgo de varianza trade-off.
Espectros de modelos. Aprendizaje Bayesiano
completo.

Trabajo
colaborativo
Trabajo
colaborativo

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

V.

ESTRATEGIAS Y RECURSOS DE ENSEANZA-APRENDIZAJE


La estrategia de enseanza aprendizaje de esta asignatura est centrada en el
estudiante, motivo por el cual optamos el trabajo colaborativo como estrategia
para el desarrollo del proceso enseanza aprendizaje, en la cual todos los
miembros participaran para el logro de los objetivos planteados. Se tendr en
cuenta la participacin activa y participativa, mediante:

Tarea: Permite estudiar el tema con la participacin del profesor y los


estudiantes.
Actividad colaborativa dentro del grupo: Permite desarrollar habilidades
de discusin y anlisis con coherencia, ayudando a formar actitudes
analticas y de carcter crtico.
Criterios esperados de xito: Permite desarrollar habilidades de sntesis
con coherencia, mediante los procesos de reconstruccin y de
conceptualizacin.
Responsabilidad individual: Logra que el estudiante asuma un criterio y
una posicin frente a la situacin con responsabilidad.
Comportamientos esperados: Logra la participacin, revisin, motivacin
y elaboracin activa por parte de todos los miembros.
Actividad colaborativa entre grupos: Refuerza los conocimientos tericos
impartidos mediante la retroalimentacin.
Tutoras: Permite al estudiante encontrarse con el docente en otro
ambiente distinto al horario de clase con el fin de despejar dudas acerca
de temas visto en clase.
Trabajo Independiente: es aquel en el que se fundamentan las
actividades que realiza de manera autnoma y bajo su organizacin.
Lecturas Obligatorias: Permite el acercamiento del estudiante al tema
para ser discutido en pleno.
Revisiones de tema: Proporciona la oportunidad para el estudio intensivo
de problemas especiales, los estudiantes disponen de variados recursos
y permite la participacin de todos.
Bsqueda en Internet: Permite desarrollar habilidades para la bsqueda
de informacin relacionada con las reas y disciplinas afines.

Recursos y equipos

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

- Presentacin en Power Point

- Retroproyector

- Material Impreso

- Pizarra

- Plumones

- Saln de clases

- Laboratorio de cmputo

- Biblioteca

VI. EVALUACIN Y CRITERIOS DE CALIFICACIN


La evaluacin ser un proceso permanente de juzgamiento crtico y autocrtico
de cmo se vienen construyendo los objetivos de la asignatura, la
participacin metodolgica de acercamiento a la realidad y de inmersin a la
teora y prctica, que garantiza la calidad de los productos acreditables. En
ella se tiene que poner a prueba la capacidad de trabajo y logro de
aprendizajes, la superacin de los problemas.
La asistencia est de acuerdo a lo reglamentado y se observar con
rigurosidad la puntualidad y permanencia en las jornadas de trabajo
acadmico.
Los niveles de aprendizaje alcanzados por los estudiantes sern monitoreados
a travs de evaluaciones cuya cobertura estar en funcin de los trabajos
realizados durante cada unidad de trabajo. Estas evaluaciones sern
estructuradas teniendo presente las ponderaciones siguientes:

Reportes
Aportaciones orales
Prcticas calificadas
Examen parcial
Exposiciones
Trabajo de aplicacin

Promedio final=

Ao
Pc
Ep
Ex
Ta

Cantidad
Sin limite
2 por semestre
2 por semestre
1 por semestre
1 por semestre

Ponderacin
1
2
4
1
2

) +2 ( Pc
) +1 ( Ex
) +1 ( Ao
) +2 ( Ta
)
4 ( Ep
10

El estudiante para ser aprobado en la asignatura deber obtener una nota final de
10.5 a ms.
Nota importante:
i) El estudiante con el 30% de inasistencia no tendr derecho a ser evaluado.

Facfym Liderando el Cambio de la Nueva


Universidad

SLABO DE REDES NEURONALES

ii) El estudiante que falte a un examen escrito o no presente un trabajo en la fecha


sealada tendr nota cero.

VII.

TUTORA
Teniendo en cuenta que el proceso docente educativo constituye un proceso
formativo integral, el estudiante contar con tutora durante el desarrollo de la
asignatura, la cual puede ser solicitada previamente mediante correo electrnico o
presencial.
Ambiente de tutora
Ambiente: Escuela de Profesores de la Escuela de Ingeniera Electrnica.
Horario

: Martes 13:20 a 15:50 hrs.

VIII. BIBLIOGRAFIA

Laurence Fausett (1994) Fundamental of Neural Networks, Architecture,

algorithms and Aplications. Pretince Hall; US Ed Edition.


Roert B. Macy (1995) Abhijt S. Pandya. Patter Recognition with Neural Network

in C++ CRC Press.


Mark Beale (1990) Howard Demuth. Neural Network Toolbox: For Use With

Matlab. The Mathworks. Inc.


(2001) John lovine. Robots androids, and Animatron: 12 Incredible Projects You

can Build McGraw Hill.


(2003) John Oovine. PIC Microcontroller. Project Book. Mc Graw Hill.
Mark Beale (1996) Martin T. Hagan, Howard B. Demuth. Neural Network
Design. 1996 PWS Publishing company, a division of Thomson Learning USA.

_______________________________
Mg. Luca Isabel Chamn Cabrera
CIP N 86890

Facfym Liderando el Cambio de la Nueva


Universidad