Resumen: Las Redes Neuronales han ganado hoy una importancia superlativa en una gran variedad de aplicaciones de Ciencia de Datos. El objetivo central de este curso es la presentación de las arquitecturas clásicas de Redes Neuronales aplicadas en diversas áreas. El énfasis está puesto en la resolución de problemas de clasificación y predicción, estudiando distintas estrategias de entrenamiento, estrategias evolutivas aplicables al proceso de adaptación de las redes neuronales, y técnicas del área de Deep Learning.

Programa tentativo:

Introducción a las Redes Neuronales Artificiales. Fundamentos biológicos de las Redes Neuronales. Historia de las Redes Neuronales Artificiales Características de las Redes Neuronales. Análisis del mecanismo de resolución de problema en relación a la Computación convencional.
Los primeros modelos computacionales. La neurona artificial. Estructura básica de la red. Aprendizaje. Tipos de problemas que puede resolver. Perceptrón. Descripción del modelo. Resolución de problemas de clasificación. Adaline: Entrenamiento de un combinador lineal a través de la regla delta. Diferencias con el Perceptron. Neurona no lineal. Funciones de transferencia sigmoides. Relación de los resultados obtenidos con los dos modelos anteriores.
Perceptrón multicapa. Descripción de la arquitectura feedforward. Regla delta generalizada. Algoritmo de entrenamiento backpropagation. Incorporación del término de momento. – Capacidad de generalización de la red. Resolución de problemas de clasificación y predicción.
Redes Neuronales Competitivas. Red de Contrapropagación. Descripción de la arquitectura. Características principales. Formas de entrenamiento rápido. – Mapas auto-organizativos (SOM). Descripción de la arquitectura. Concepto de vecindad. Resolución de problemas de clustering.auto-organizativos dinámicos (GSOM). Comparación con el modelo anterior.
Algoritmos Evolutivos. Terminología. Introducción. Conceptos Básicos. – Representación. Introducción. Códigos de Gray. Codificación con números reales. Representaciones de longitud Variable. – Técnicas de Selección. Selección Proporcional. Selección mediante torneo. Selección Uniforme. – Técnicas de Cruce. Cruce de un punto, dos puntos y uniforme. Técnicas de cruce para representación real.
Evolución de redes neuronales. Aprendizaje por refuerzos. Aprendizaje por refuerzos vs. aprendizaje supervisado. Aprendizaje por refuerzos evolutivo. Conceptos: exploración vs. explotación, el problema de asignación del crédito, generalización, adaptación y memoria. Evolución. Motivación. Codificación. Evaluación. Evolución de pesos y estructura. Distintas aproximaciones. Métodos de evolución SANE y HSANE. Representación. Propiedades de convergencia. Comparación.
Redes Deep Learning. Redes auto-asociativas. Máquinas de Boltzmann. Deep Belief Networks. Redes convolucionales