UA
   SISTEMAS CONEXIONISTAS    Año académico       Versión PDF.
Código6588Descripción
Crdts. Teor.3Fundamentos de las redes neuronales: Tipos. Redes neuronales y aprendizaje no supervisado. Aspectos computacionales de las redes neuronales.
Crdts. Pract.1,5
A efectos de intercambios en programas de movilidad, la carga de esta asignatura equivale a 5,62 ECTS.


Departamentos y Áreas
DepartamentosÁreaCrdts. Teor.Crdts. Pract.Dpto. Respon.Respon. Acta
TECNOLOGÍA INFORMÁTICA Y COMPUTACIÓNARQUITECTURA Y TECNOLOGIA DE COMPUTADORES31,5


Estudios en los que se imparte
Ingeniería en Informática - plan 1993


Pre-requisitos
Sin incompatibles


Incompatibilidades de matrícula por contenidos equivalentes
Sin Datos


Matriculados (2003-04)
Grupo (*)Número
1 41
88 4
TOTAL 45
(*) 1: TEORIA DE SISTEMAS CONEXIONISTAS - CAS
(*) 88: erasmus - CAS


Ofertada como libre elección (2003-04)
Número máximo de alumnos: 20
Plazas disponibles 19
Pincha aquí para ver a qué estudios se oferta
Consulta Gráfica de Horario
A efectos de intercambios en programas de movilidad, la carga de esta asignatura equivale aPincha aquí


Horario (2003-04)
Sin horario


Grupos de matricula (2003-04)
Grupo (*)CuatrimestreTurnoIdiomaDistribución (letra nif)
1 1er. M CAS desde - hasta -
88 1er. M CAS desde - hasta -
(*) 1: TEORIA DE SISTEMAS CONEXIONISTAS - CAS
(*) 88: erasmus - CAS


Objetivos de las asignatura / competencias (2003-04)
Los objetivos generales que se persiguen en esta asignatura son el estudio y aplicación de los conceptos y paradigmas conexionistas a problemas reales de percepción, asociación, reconocimiento invariante, aprendizaje, etc.; evaluando sus posibilidades y limitaciones a partir de una revisión apropiada de los avances realizados en el campo. También se considera la necesidad y conveniencia de hardware paralelo especializado, indicando que el propio modelado ofrece arquitecturas alternativas. Desde el punto de vista de los conocimientos y habilidades que deberá poseer el estudiante después de cursarla, los objetivos generales quedan enmarcados según se enumera:
* Adquirir una base teórica sobre los principios del modelado conexionista artificial y las redes neuronales artificiales (RNA, funciones de activación, sinapsis, convergencia, filtrados,...)
* Conocer los modelos neuronales más relevantes (perceptrones, memorias asociativas, mapas autoasociativos,...) y las tendencias (metaredes, integración con lógica difusa,...).
* Estudiar y comprender algunas aplicaciones de los sistemas conexionistas aplicados a problemas del mundo real.
* Introducir las arquitecturas propias del modelado neuronal y las alternativas de implementación que se establecen.
* Describir diversas formas de implementación de los modelos neuronales mediante hardware paralelo convencional (vectoriales, sistólicos, multicomputadores,...).
* Implementar mediante simulación o diseño hardware un modelo neuronal concreto y aplicarlo a la resolución de un determinado problema
* Adquirir conceptos y habilidades en la materia que sirvan como base para continuar estudios de postgrado e incluso desarrollar trabajo de investigación.

Desde el punto de vista práctico, el objetivo principal es que el estudiante pueda desarrollar sistemas aplicados basados en el modelado conexionista.


Contenidos teóricos y prácticos (2003-04)
TEMARIO
1. Presentación e introducción.
2. Fundamentos y características de las RNA.
3. RNA con conexiones hacia delante.
3.1 Perceptrón.
3.2 Adaline y Madaline.
3.3 Backpropagation.
4. Modelo de Hopfield y BAM.
5. Mejoras a la BAM y RHI.
6. Mapas autoorganizativos y mejoras (Fritzke).
7. Otros modelos.
7.1 ART.
7.2 Redes estocásticas.
7.3 RNA y lógica fuzzy.
8. Instrumentación de las RNA.

BIBLIOGRAFIA
1.- Redes neuronales. Algorit., aplicac. y técnicas de progr. Freeman, J.A; Skapura, D. M. Addison-Wesley / Diaz de Santos, 1993.
2.- Self-Organization and Associative Memory. Kohonen, T. Ruohonen, M. Series in Information Sciences. Vol 8. Springer-Verlang. 1984.
3.- Neural Networks and Fuzzy Systems. Kosko, B. Prentice-Hall.1992.
4.- Adaptative Pattern Recognition and Neural Networks. Pao You-Han. Addison-Wesley Publishing Company, Inc. 1989.
5.- Neural Networks. A Systematic Introduction. Rojas, R. 1996. Neural Computing. Theory and Practice. Philip D. Wasserman Van Nostrand Reinhold, New York, 1989.
6.- Parallel Digital Implementations of Neural Networks. Wojtek Przytula, K. y Prasanna, V. 1993.
7.- Introduction to Artificial Neural Systems. Zurada, J.M. West Publishing Company. 1992.


Más información
Profesor/a responsable
MORA PASCUAL , JERONIMO MANUEL


Metodología docente (2003-04)
Clases teóricas y prácticas
Clases teóricas distendidas: Se combinan la explicación de los conceptos teóricos de la asignatura con proyección de trabajos realizados por los propios estudiantes y debates sobre algún aspecto de interés de la materia.


Tipo de actividades: teóricas y prácticas
Laboratorios
En las prácticas se pretende que el alumno aplique los modelos a problemas reales y, por tanto, se introduce un amplio abanico de posibilidades (visión artificial, control, clasificación,...). Con todo ello, los recursos disponibles son básicamente estaciones de trabajo y PCs. En este contexto los trabajos de laboratorio se orientan a desarrollar programas en C y C++. La disponibilidad descrita condiciona el planteamiento de las prácticas de la asignatura. Las propuestas se orientan a problemas concretos y realistas dentro de la gran diversidad que proporciona la materia a fin de que los estudiantes puedan apreciar la riqueza de su propio trabajo y el de sus compañeros.

* Documentar una aplicación desarrollada mediante RNA. Se utilizan las fuentes documentales propuestas en la bibliografía, revistas especializadas e Internet.

* Entrenar un perceptrón multicapa para el aprendizaje de funciones linealmente no separables y ajuste de parámetros. Se adiestra un perceptrón para el aprendizaje de caracteres sometidos a distintas transformaciones isométricas. Durante el desarrollo de la práctica el énfasis se sitúa en el ajuste de parámetros y en la no-linealidad del problema.

* Mapas auto-organizativos. Demostración de la propiedad de conservación topológica. Se trata de entrenar un mapa auto-organizativo con vectores bidimensionales (con objeto de facilitar una adecuada visualización) que sigan una cierta función de densidad de probabilidad y mostrar como los pesos sinápticos son capaces de aprenderla.


Profesores (2003-04)
MORA PASCUAL, JERONIMO MANUEL (prof. responsable)
Enlaces relacionados
Sin Datos


Bibliografía
No existen libros recomendados en esta asignatura para este año académico.
Fechas de exámenes oficiales (2003-04)
Información no disponible en estos momentos.
(*) 1: TEORIA DE SISTEMAS CONEXIONISTAS - CAS
(*) 88: erasmus - CAS


Instrumentos y criterios de evaluación (2003-04)
Evaluación continua
Como consecuencia del reducido número de alumnos se plantea un esquema de evaluación continua de los aspectos puramente teóricos y los trabajos de los grupos reducidos de prácticas, en las que se integra la componente teórica de la materia y su implantación. Por tanto, no es necesario recurrir a mecanismos tradicionales de evaluación basados en un examen final de conocimientos, ya que éstos han sido necesarios en todo el trabajo práctico de la asignatura. Por ello, se propone un mecanismo de evaluación basado en la componente práctica de la asignatura.