Programa de Estudios Ingeniería en Inteligencia Artificial y Big Data

NOMBRE DE LA ASIGNATURA O UNIDAD DE APRENDIZAJE

Redes Neuronales

CICLO CLAVE DE LA ASIGNATURA

6°SEMESTRE IIA637

HORAS FRENTE A DOCENTE HORAS INDEPENDIENTES CRÉDITOS

48 80 8

OBJETIVO GENERAL DE LA ASIGNATURA

Implementar un sistema de predicción básico para problemas de regresión y clasificación, mediante el
uso de las diferentes herramientas de software para redes neuronales, para identificar el comportamiento
de estos sistemas con diversas configuraciones de sus hiper-parámetros, de forma sistemática y eficiente

TEMAS Y SUBTEMAS

UNIDAD I. Las redes neuronales artificiales: historia, componentes y aplicaciones

1.1 Historia de las redes neuronales artificiales
1.2 Las redes neuronales biológicos y componentes de las redes neuronales artificiales
1.3 Aplicaciones de redes neuronales artificiales

UNIDAD II. Fundamentos de redes neuronales artificiales

2.1. Componentes de las redes neuronales
2.1.1 Neurona
2.1.2 Conexiones
2.1.3 Funciones de activación
2.1.4 Umbral de activación
2.1.5 Función de salida
2.1.6 Entrenamiento de parámetros
2.2 Perceptrón
2.1.1 Operaciones lógicas
2.1.2 Separabilidad lineal
2.3 Perceptrón multicapa
2.3.1 Composición de funciones
2.3.2 Computaciones no lineales
2.4 Hiper-parámetros de las redes neuronales
2.5 Arquitecturas comunes de las redes neuronales
2.5.1 Feedforward
2.5.2 Funciones de base radial
2.5.3 Recurrentes
2.5.4 Convolutivas
2.5.5 Autoencoders

UNIDAD III. Fundamentos de aprendizaje automático

3.1. Aprendizaje automático
3.1.1 Tipos de aprendizaje
3.1.2 Validación de modelos
3.2 Algoritmos de entrenamiento para redes neuronales
3.2.1 Gradiente descendente
3.2.2 Gradiente descendente con momentum
3.2.3 Gradiente descendente con momentum y tasa de aprendizaje adaptativa
3.2.4 Otros
3.3 Problemas del aprendizaje por gradiente
3.3.1 Explosión de gradiente
3.3.2 Desvanecimiento del gradiente

UNIDAD IV. Entrenamiento de redes neuronales artificiales

4.1. Configuración inicial de las redes neuronales
4.1.1 Inicialización de pesos
4.1.2 Selección de tasa de aprendizaje
4.1.3 Selección de número de capas
4.1.4 Selección de número de neuronas por capa
4.1.5 Selección de función de salida para problemas de regresión y clasificación
4.1.6 Selección de función de costo para regresión y clasificación
4.2 Pre-procesamiento de los datos
4.3 Formas de aprendizaje
4.3.1 Aprendizaje en línea
4.3.2 Aprendizaje por lotes
4.3.3 Aprendizaje por mini lotes
4.4 Problema de sobre-ajuste y sub-ajuste
4.4.1 Detección por curva de entrenamiento
4.4.2 Regularización
4.4.3 Parada temprana de entrenamiento
4.4.4 Métodos combinados
4.4.5 Conjunto de datos desbalanceados

UNIDAD V. Aprendizaje profundo

5.1. Introducción al aprendizaje profundo
5.2 Métodos de optimización rápidos de primer orden
5.2.1 Gradiente acelerado de Nesterov
5.2.2 AdaGrad
5.2.3 RMSProp
5.2.4 Adam
5.3 Funciones de activación comunes en aprendizaje profundo
5.4 Método de olvido para evitar sobre ajuste
5.5 Problemas con la muerte de neuronas
5.6 Redes neuronales convolutivas
5.7 Redes neuronales recurrentes
5.8 Autoencoders

ACTIVIDADES DE APRENDIZAJE BAJO LA CONDUCCIÓN DEL DOCENTE

 Exámenes parciales…………………………………………………………………….. 40%
 Examen Final…………………………………………………………………………….. 30%
 Portafolio de Evidencia…………………………………………………………………. 30%

ACTIVIDADES DE APRENDIZAJE INDEPENDIENTES
 Elaboración de reportes de lectura
 Elaboración de un ensayo sobre la materia

CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN Y ACREDITACIÓN

Dos exámenes parciales 40%
Participación 30%
Ensayo 20%
Tareas 10%

INFORMACIÓN DOCUMENTAL RECOMENDADA (bibliografía)

 1. Albert, R., y Breedlove, T. (2009) C++: An active learning approach. USA: Jones and Bartlett
 Publishers
 2. Brassard G.& et all. (Sin fecha). Fundamentos de Algoritmia. Pearson: Prentice Hall
 3. Cairo Battistutti, O., (2005), Metodología de la Programación, Algoritmos Diagrama de Flujo
 y Programas, Ciudad, Estado, Provincia, País: Alfaomega. ISBN 970-15-1100-X
 4. Cheng, H. H. (2010). C for engineers and scientists: An interpretive approach. USA: McGraw-
 Hill Higher Education
 5. Deitel, P y Deitel, H. (2008) Como Programar en C++. México:Pearson Prentice Hall.
 6. Deitel, J., y Deitel, M. (2012) C++: How to program. USA: Prentice Hall.
 7. Deitel, H. (2008). Java cómo programar. (7ª ed.) Prentice Hall México, 2008. ISBN
 9789702611905
 8. García Molina, J.J., (2005), Introducción a la programación un Enfoque Algorítmico, Ciudad,
 Estado, Provincia, País: Paraninfo.
 9. Joyanes, L. (2012) Fundamentos generales de programación. España;McGraw Hill.
 10. Joyanes, L. (2008) Fundamentos de programación: algoritmos, estructura de datos y objetos.
 España: McGraw-Hill.
 11. Joyanes, L. (2010) Programación en C, C++, Java y UML. México: McGraw-Hill. ISBN 978-
 970-10-6949-3.
 12. Joyanes, L., Fernández, M. y Rodríguez L. (2003) Fundamentos de Programación Libro de
 Problemas Algoritmos Estructura de Datos y Objetos. México:Mc. Graw Hill.
 13. Kamthane, N. (2011) Programming in C. India: Dorling Kindersley.
 14. López, L. (2011) Programación Estructurada y Orientada a Objetos México:Alfaomega.
 15. Marquez, G. (2012) Introducción a la programación estructurada en C. España:Pearson
 16. McMilan, M. (2011) Learning C++. USA: InfinateSkills.
 17. Méndez, A. (2013) Diseño de algoritmos y su programación en C. México:Alfaomega.
 18. Mothe, M. (2012) C++ programming: a practical approach. India: Dorling Kindersley.
 19. Urrutia, G. (2012) Curso de Programación en C para principiantes. España:@Gorka Urrutia
 20. Zavala, R y Llamas, R. (2013) Fundamentos de programación para principiantes
PERFIL DEL DOCENTE:

 Licenciatura en Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de

matemáticas sea similar.
 Deseable haber realizado estudios de posgrado, contar con experiencia docente o haber
participado en cursos o

 seminarios de iniciación en la práctica docente. De igual forma, deberá acreditar, ya sea con
certificación o constancias, el dominio de medios tecnológicos para la enseñanza – aprendizaje,
capacidad para el diseño de materiales didácticos, planeación de asesorías o el diseño de
estrategias de aprendizaje mediante tecnologías de la comunicación e información.Experiencia
docente mínima de tres años.