Redes Neuronales Artificiales y Deep Learning - CP

SIGED
Sistema Integrado de Página 1 de 6

Gestión Documental
FORMATO DE PROGRAMA DE CURSO
MISIÓN
La Universidad Autónoma de Occidente es una Institución de Educación Superior, cuya misión es la de integrar, con perspectiva
internacional, las funcionas sustantivas de docencia, investigación y proyección social para: contribuir a la formación de personas con
visión humanística, creativas y emprendedoras; a la generación de conocimiento y a la solución de los problemas del entorno regional,
nacional e internacional.
REDES NEURONALES ARTIFICIALES Y DEEP

LEARNING
1. IDENTIFICACIÓN
NOMBRE DE LA Redes Neuronales Artificiales y CÓDIGO DE LA

541204
ASIGNATURA: Deep Learning ASIGNATURA:
Ingeniería
Mecatrónica
OFRECIDO Departamento de Automática y OFRECIDO
Ingenieria Electrónica
POR: Electrónica PARA:
y Telecomunicaciones
Ingenieria Biomédica
CARÁCTER DE
NÚMERO DE
LA Electiva Profesional Virtual 3
CREDITOS:
ASIGNATURA:
SI NO SI NO
VALIDABLE: HOMOLOGABLE:
X X
PRE-
Señales y Sistemas
REQUISITOS:
ÁREA DE FORMACIÓN DE LA ASIGNATURA:
Línea profesional.
COMPONENTE AL QUE PERTENECE LA ASIGNATURA:
Ingeniería Aplicada.
2. PRESENTACIÓN
Las redes neuronales artificiales (RNA) es una de las técnicas más relevantes de la inteligencia
artificial que trata de emular la manera como trabajan las neuronas del cerebro. Este enfoque se le
ha denominado también conectivista pues parte, de emular el comportamiento de una neurona
biológica y “conectarla” con otras neuronas artificiales de manera similar, a lo realizado por las
neuronas biológicas.
ORIGEN Y APROBACIÓN FECHA Vo. Bo.
Elaborado por: Docente (Nombre completo)
Revisión por: Comité Curricular Programa que elabora el contenido (Nombre del Presidente del Comité)
Aprobación por: Consejo de la Facultad que elabora el contenido (Nombre del Presidente del Consejo)
SIGED
Gestión Documental
Actualmente, las RNA en algunas aplicaciones han obtenido desempeños comparables a los
realizadas por humanos por ejemplo en reconocimiento de imágenes y de voz. Lo anterior se debe a
una nueva metodología que ha permitido entrenar redes neuronales artificiales con muchas capas de
procesamiento denominada Deep Learning (DL). El DL es aplicado por los gigantes tecnológicos
como Facebook, Google y Microsoft para sus desarrollos más como por ejemplo el reconocimiento
automático de objetos en una imagen, la traducción simultánea y la detección de rostros.
Estos desarrollos no han surgido de la nada y para llegar a ellos las redes neuronales han transitado
por periodos de bastante actividad y otros donde inclusive se pensó que era una técnica que iba a
desaparecer.
Lo cierto es que las RNA con el DL hoy en día son una de las técnicas que más resultados han
mostrado en la avalancha de aplicaciones de inteligencia artificial que sin darnos cuenta nos rodean.
En este curso se pretende una aproximación a los diferentes conceptos relacionados con la RNA y DL
de tal manera que el estudiante tenga las bases suficientes para seguir su transito en el apasionante
mundo de la inteligencia artificial.
3. OBJETIVO
Diseñar aplicaciones de reconocimiento de patrones usando arquitecturas de redes neuronales

artificiales clásicas y básadas en deep learning considerando aspectos como la plataforma de
implementación, el desempeño y dimensionamiento de la solución implementada
3.1 OBJETIVOS ESPECÍFICOS
Conocer los conceptos básicos de las redes neuronales artificiales clásicas como las redes monocapa y
redes multicapa de una capa oculta.
Diseñar aplicaciones de reconocimiento de patrones usando redes neuronales artificiales clásicas.
Conocer los conceptos básicos de las redes neuronales artificiales basadas en aprendizaje profundo
(deep learning).
Diseñar aplicaciones de reconocimiento de patrones usando redes neuronales artificiales basadas en
aprendizaje profundo (deep learning).
4. COMPETENCIA(S) QUE CONTRIBUYE A DESARROLLAR
• (Búsqueda y manejo de información) Identifica, selecciona y utiliza bien fuentes

documentales y la información válida procedente de éstas para argumentar las decisiones
que toma en referencia a la propuesta de ingeniería, sintetizando y presentando conceptos
de una forma clara, coherente y concisa.
• (Comunicación oral, escrita y gráfica) Interpreta, argumenta y propone ideas de manera

estructurada, clara y coherente en forma oral, escrita y gráfica, para el entendimiento entre
los actores de diferentes disciplinas y el avance de proyectos comunes, haciendo uso de los
términos correctos y las herramientas que son propias de la ingeniería.

SIGED
Gestión Documental
• (Trabajo en equipo) Trabaja en colaboración con otros profesionales en forma respetuosa,

responsable y eficiente, para el desarrollo de actividades y proyectos conjuntos, planteando
sus propias ideas y reconociendo el valor de los aportes de los otros miembros del equipo,
contribuyendo a la solución de problemas del entorno social, productivo y de servicios.
• (Cultura tecnológica) Reconoce, comprende y se apropia de diferentes concepciones y

elementos tecnológicos fundamentales para alcanzar una visión profesional de Ingeniería y
como herramienta de pensamiento para dar cuenta del por qué y el cómo aplicar los
desarrollos que se hacen en esta profesión.
• (Aprendizaje autónomo y continuo) Reconoce la importancia de asumir con
responsabilidad y disciplina el proceso de autogestión formativa para lograr aprendizajes en
forma autónoma y continua, identificando su estilo y ritmo particular de aprendizaje, para
reforzar, encontrar o construir nuevos conocimientos y competencias que le sean útiles en su
formación y desempeño profesional.
5. ORGANIZACIÓN DE CONTENIDOS
MÓDULO 1. Conceptos de Redes neuronales artificiales monocapa
1. Construcción colectiva de una línea de tiempo (Semanas 1 y 2)

2. Trabajando con una neurona artificial (Semana 3)
3. Usando funciones lógicas con perceptron monocapa (Semana 4 y 5)
4. Lección: Redes monocapa (Semana 4)
5. Miniproyecto (Semana 6)
6. Evidenciando lo aprendido –Examen- (Semana 6)
MÓDULO 2. Redes neuronales artificiales multicapa
1. Reconociendo las redes neuronales multicapa (Semana 7)

2. Práctica: Trabajando funciones con MLP (Semana 8)
3. + de MLP (Semana 9)
4. Práctica: Trabajando problemas de Clasificación (Semana 10)
5. Miniproyecto (Semanas 11 y 12)
MÓDULO 3. Redes neuronales artificiales entrenadas con Deep Learning
1. Introducción al Deep Learning (Semana 13)

2. Proyecto Final (Semana 13 a la 18)
3. Práctica: Trabajando con Auto encoders (Semana 14)
4. Redes convolucionales (Semana 15)

SIGED
Gestión Documental
6. METODOLOGÍA
El curso pretende a través de experiencias individuales y colectivas en la modalidad e-learning,

construir conceptos a partir de la discusión colaborativa con base en la comprensión, análisis y
discusión de los temas de las lecturas, temas asignados, talleres, ejercicios de aplicación a través de
la plataforma SIGA.
7. MEDIOS Y RECURSOS
1) Sala de simulación de Automática: espacio dotado con videoproyector, computadores y

tablero.
2) Plataforma SIGA: Espacio de apoyo de los procesos académicos de trabajo independiente y

trabajo con algún tiempo de acompañamiento del docente de la asignatura de manera asíncrona. Se
tiene un “curso” general para todos los grupos en donde éste interactúa exclusivamente con los
futuros ingenieros de los cursos que están a cargo.
3) Software para validación: Actualmente se tienen recurso para complementar la teoría lo que
permite mejorar el aprendizaje de la asignatura. Desde el trabajo independiente por parte de los
estudiantes de ingeniería, quienes validan los resultados teóricos de los cálculos antes realizados y
contrastados con lo que entrega la herramienta Matlab.
4) Bases de datos de investigación IEEE Xplore, Sciency Direct, ACM. Donde el estudiante
consulta aplicaciones y resultados de investigación, ubicando artículos con temas que se trabajan en
la asignatura.
8. CRITERIOS GENERALES DE EVALUACIÓN Y CALIFICACIÓN
El sistema de evaluación en la asignatura se fundamenta en una propuesta integradora en la que se

tienen previstos momentos de valoración individual y colaborativa mediante procedimientos de
heteroevaluación y coevaluación desde las dimensiones: diagnóstica, formativa y sumativa.
Instrumentos coherentes con las técnicas de interrogación y observación se utilizan para evidenciar
desempeños en los ingenieros en formación, de tal manera que se emitan juicios valorativos,
observaciones y recomendaciones de mejoramiento como parte del seguimiento y acompañamiento
desde las dimensiones diagnóstica y formativa.
En cuanto a la sumativa, se han definido para la asignatura 3 grupos criterios evaluativos: Pruebas y
exámenes, Trabajo transversal de curso, y Otras actividades académicas. En cada grupo se han
definido variedad de actividades de evaluación, las cuales permiten recopilar evidencias sobre el
aprendizaje, los desempeños y el avance en el desarrollo de las competencias.

SIGED
Gestión Documental
El sistema de evaluación en la asignatura se fundamenta en una propuesta integradora en la que se

tienen previstos momentos de valoración individual y colaborativa mediante procedimientos de
heteroevaluación y coevaluación desde las dimensiones: diagnóstica, formativa y sumativa.
Instrumentos coherentes con las técnicas de interrogación y observación se utilizan para evidenciar
desempeños en los ingenieros en formación, de tal manera que se emitan juicios valorativos,
observaciones y recomendaciones de mejoramiento como parte del seguimiento y acompañamiento
desde las dimensiones diagnóstica y formativa.
En el siguiente cuadro se muestra el valor del porcentaje de cada procedimiento de evaluación.
Unidad / Logro Porcentaje de la nota total

30%
Actividades de aprendizaje
Módulo 1
35%
Módulo 2
35%
Módulo 3
Los detalles de los porcentaje para las diferentes actividades se pueden encontrar en el proceso
evaluativo.
9. BIBLIOGRAFÍA
Una aproximación Práctica a las Redes Neuronales Artificiales. Caicedo Eduardo, López Jesús.
Programa Editorial Universidad del Valle. 2009.
Clasificación: 006.3 / C133
Libro en línea de aprendizaje profundo (deep learning)

http://www.deeplearningbook.org/
BIBLIOGRAFÍA COMPLEMENTARIA
• Neural Networks and learning machines. Haykin, Simon. Pearson Education. 2009.
Clasificación: 006.32 / H419
• Pattern recognition using neural networks: Theory and algorithms for engineers and Scientists.
Looney, Carl G. Oxford University, 1997.

SIGED
Gestión Documental
Clasificación: 006.4 / L863p
• Neural and adaptive systems: fundamentals through simulations. Principe, José C. John
Wiley, 2000.
Clasificación: 006.32 / P957n
• Pattern recognition. Theodoridis, Sergios, 1951-. Academic Press, 2006.

Clasificación: 006.4 / T388
• Statistical Pattern Recognition Andrew R. Webb John Wiley & Sons. 2004
006.4 / W365
• Neuro-Fuzzy and Soft Computing: A computational approach to Learning and Machine Intelligence
J.-S. R. Jang, C.-T. Sun, E. Mizutani, Prentice Hall, NJ, 1997.
Clasificación: 006.3 / J33n
PÁGINAS WEB
Redes neuronales artificiales. Conceptos básicos, arquitectura y aprendizaje

http://objetos.univalle.edu.co/?q=node/361
Libro en línea de redes neuronales artificiales y de aprendizaje profundo

http://neuralnetworksanddeeplearning.com/
Depósito de conjuntos de datos para hacer pruebas con ellos

http://archive.ics.uci.edu/ml/index.html
File Exchange - MATLAB Central – MathWorks.

www.mathworks.com/matlabcentral/fileexchange/


Redes Neuronales Artificiales y Deep Learning - CP

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redes Neuronales Artificiales y Deep Learning - CP

Cargado por

Copyright:

Formatos disponibles

SIGED

Sistema Integrado de Página 1 de 6

FORMATO DE PROGRAMA DE CURSO