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. |