Introducción a las redes neuronales

En este curso aprenderás los fundamentos de las redes neuronales. El enfoque está en dominar los conceptos analíticos a través de ejemplos, para que en una siguiente etapa podamos implementar redes de última generación. La serie de ejemplos que se ven abarcan tanto programas en python como ejercicios de cálculo a lápiz.

Temario:

1. Introducción
   1. Presentación del curso
   1. Motivación
   1. Las redes neuronales en la IA
   2. Aprendizaje automático
2. Conceptos preeliminares
   1. Derivadas
   2. Álgebra Lineal
   3. Probabilidad
   4. Lógica
3. Fundamentos de las redes neuronales
   1. Modelos paramétricos
   2. Regresión lineal
   3. Regresión logística
4. Perceptrón
   1. Arquitectura
   2. Simple
   3. Pase frontal
   4. Funciones de activación
   5. Perceptrón multicapa
   6. Grafo de una red
5. Entrenamiento
   1. Rendimiento
   2. Decenso por gradiente
   3. Retropropagación
6. Problemas prácticos del entrenamiento
   1. Sobreajuste
   2. Regularización
   3. Optimizadores
   4. Normalización por lote
7. Redes neuronales convolucionales (RNC)
   1. Convoluciones
   2. Aritmética de las convoluciones
   3. Pooling
   4. Convoluciones diversas
8. Autocodificadores
   1. Espacio latente
   2. Entrenamiento no supervisado
   3. Convolución inversa
9. Redes neuronales recurrentes

Bibliografía

• Norvig, P., & Russell, S. (2004). Inteligencia Artificial. Un Enfoque Moderno. Phh Pretice Hall, Mexico.

• Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (1993). Probability and statistics for engineers and scientists (Vol. 5). New York: Macmillan.

• Aggarwal, C. C. (2018). Neural networks and deep learning. Springer, 10, 978-3.

• Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer.

• Skansi, S. (2018). Introduction to Deep Learning: from logical calculus to artificial intelligence. Springer.

• Kohavi, R., & John, G. H. (1997). Wrappers for feature subset selection. Artificial intelligence, 97(1-2), 273-324.

• Marvin, M., & Seymour, A. P. (1969). Perceptrons. Cambridge, MA: MIT Press, 6, 318-362.

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.