OBJETIVOS:

El objetivo principal del curso es describir la computación neuronal como un método alternativo serio para aquellas aplicaciones en las que los métodos clásicos de cálculo no logran resultados satisfactorios. Por esta razón, los contenidos del curso han sido seleccionados y organizados para mostrar de forma clara al alumno las siguientes materias:

- los fundamentos de las redes neuronales artificiales

- las arquitecturas y reglas de aprendizaje

- el potencial de cálculo para aplicaciones e investigación

- el diseño y simulación

COMPETENCIAS:

El alumno adquirirá la capacidad de diseñar y realizar métodos computacionales basados en Redes Neuronales Artificiales que sirvan para resolver problemas reales de aplicaciones que no son resueltas de forma satisfactoria con métodos convencionales. 

PRERREQUISITOS:

Ninguno. Se recomienda tener conocimiento básico de algunas materias como cálculo diferencial y programación.

TEMARIO:

DESCRIPCIÓN de los TEMAS:

La primera clase, el Tema 0  consiste en la presentación del curso en la que se indican los objetivos y una panorámica general del mismo.

El Tema 1 es el más largo y describe de manera sinóptica las áreas básicas de la computación neuronal, incluyendo las características del cerebro humano, la inspiración biológica de las redes neuronales artificiales, la computación tradicional versus computación neuronal, la historia y autores relevantes de las redes neuronales, aplicaciones reales y la implementación software/hardware de las mismas.

El Tema 2 introduce los principios biológicos de la computación neuronal y presenta el modelo de la neurona artificial y su organización en redes. Este tema describe las diferentes reglas de aprendizaje que realizan el proceso de entrenamiento de las redes neuronales artificiales. El Tema 3 nombra más de una veintena de paradigmas de acuerdo al tipo de aplicación, bien sea de predicción, clasificación, asociación de datos, conceptualización de datos, filtrado de datos u optimización.

El Tema 4 está dedicado a las dos primeras redes, Perceptron y Adaline/Madaline, con el propósito de presentar las principales propiedades y características de las redes neuronales que estarán presentes en la mayoría de las redes tipo feed-forward; se describe la limitación de la separabilidad lineal para comprender el impulso que supuso la aparición de la red Backpropagation descrita en el Tema 5, en el desarrollo de la computación neuronal.

El Tema 6 presenta la arquitectura y la regla de aprendizaje de las redes no supervisadas, así como su combinación con redes supervisadas que constituyen las redes neuronales híbridas. El Tema 7 describe otro nuevo tipo de redes, las redes con organización recursiva. El Tema 8 describe una red neuronal que integra una arquitectura y reglas de aprendizaje que resuelven el dilema estabilidad-plasticidad.

El Tema 9 está dedicado a diferentes aplicaciones reales en las áreas de la industria e investigación, incluyendo rutado de comunicaciones, predicción de carga eléctrica, evaluación no destructiva y otros. El último tema, el Tema 10 ofrece una visión panorámica de las metodologías del control inteligente, poniendo especial atención en la Lógica Difusa y su relación con las redes neuronales artificiales.

La parte práctica se realizará con el paquete software Explorer de NeuralWare.

METODOLOGÍA:

- Clases en Video

La transmisión de video correspondientes a las clases ha sido adoptado por cada vez más universidades, entre otras Stanford, MIT, Whasington, etc. y permite al alumno tener un adecuado control de la temporalización de los contenidos del curso, así como una mejor comprensión del material de la clase al ser explicada por el profesor.

El diseño de la pantalla de la Clase en Video tiene tres partes: la ventana de la clase, la ventana del índice y la ventana de las transparencias, como se muestra la figura.

                                                             Figura: Formato de las Clases en Video

La ventana de la clase está en la parte superior izquierda, y los alumnos pueden ver y escuchar al profesor impartiendo la clase. La ventana del índice está debajo de la ventana de la clase y facilita al alumno el acceso directo a la parte de la clase que desee, evitando tener que realizar un acceso secuencial de la clase. La ventana grande a la derecha corresponde a la zona de la transparencia que esté siendo utilizada por el profesor en cada momento de la explicación de la clase. Las características del diseño de la pantalla han sido elegidas considerando muchos aspectos tecnológicos, audiovisuales y pedagógicos para facilitar y mejorar el proceso de aprendizaje.

- Material del curso

Está constituido por la guía de la asignatura, las clases del curso en formato video/audio, el libro de texto en formato pdf, las transparencias y las notas de clase en formato pdf, las preguntas de autoevaluación en formato test de múltiple elección, la bibliografía y otros recursos accesibles a través de enlaces de Internet.

- Actividades relacionadas con los Temas del curso

Una forma de explicitar el logro de los objetivos del curso consiste en realizar una actividad propuesta por el profesor o bien por el alumno, en la que se reflexione o se desarrolle algún aspecto del Tema impartido. Este tipo de actividad puede realizarse de diferentes formas como debates, ejercicios, opinión de un artículo y búsqueda de documentación afín entre otros.

- Trabajo fin de curso

Al alumno se le propone que desarrolle un trabajo relacionado con las Redes Neuronales Artificiales y sus Aplicaciones. El trabajo tiene que presentar la siguiente estructura: a) Titulo, Objetivo y Resumen. b)- Índice y Desarrollo de los contenidos. c)- Aportación personal en el trabajo d)- Texto Base del trabajo (pdf, scan, word).

CRONOGRAMA:

La distribución temporal del curso se resume en 16 horas de clase en video, organizadas en 8 sesiones de una o dos horas como se indica en la siguiente tabla:

Además de las clases/horas teóricas, se recomienda una serie de horas de estudio de la materia explicada en clase y una serie de horas de prácticas a realizar de forma individual con el software de diseño y simulación Explorer de NeuralWare. Después de cada tema del curso se aconseja que el alumno se autoevalue con una serie de preguntas de múltiple elección que sirven para conocer el nivel de adquisición del conocimiento de cada tema.

 PROFESOR 

Xabier Basogain Olabe Lugar:        Escuela Superior de Ingeniería de Bilbao, EHU      Despacho:  P3BN11   Teléfono:    34 946014201   E-mail:       xabier.basogain@ehu.es