Responsable:

Julio David Buldain Pérez

Descripción de la asignatura:

Esta asignatura tiene una orientación eminentemente práctica. Durante el curso se aprenderá a utilizar Redes Neuronales Artificiales (RNA): un conjunto de potentes herramientas de procesamiento de información. Estos sistemas aprenden por medio de ejemplos, por lo que no necesitan programar un algoritmo específico para resolver el problema particular de procesamiento de información. En general, las RNA son buenas herramientas para resolver problemas de clasificación, aproximación funcional (modelización, control) y optimización. Por ejemplo: realizar una diagnosis (clasificación) entre seis tipos de dermatitis a partir de datos tomados en la clínica (12 variables) y de pruebas histopatológicas en laboratorio (22 variables). Esta "conversión" de una información de 34 variables de entrada a otras 6 variables de salida es una transformación que las Redes Neuronales pueden efectuar mediante un proceso de entrenamiento con ejemplos, en el que se les muestran las variables de entrada y las salidas deseadas (entrenamiento supervisado). No hace falta deducir qué relaciones guardan los datos de entrada con las salidas para obtener un algoritmo de procesamiento de los datos (como se haría en un análisis estadístico), ya que la Red Neuronal lo encuentra por si sola. El programa teórico se acompaña de 6 sesiones prácticas de simulación de los modelos neuronales en el entorno de Matlab, implementadas principalmente con las funciones de la Neural-Networks Toolbox. Esta sesiones prácticas ejemplifican la metodología en el tratamiento de datos con Redes Neuronales. El horario de las sesiones prácticas no está especificado por el Centro, por lo que se decidirá al principio del curso a partir de la disponibilidad de horas de los alumnos y de los laboratorios.

Objetivos:

Introducir al alumno en el procesamiento de información con Redes Neuronales Artificiales, presentando las posibilidades de aplicación, las potencialidades y problemáticas de las Redes Neuronales. El curso se centra en los modelos de Redes Neuronales más conocidos y utilizados. Entre los modelos competitivos: los mapas auto-organizados (Self-Organizing Maps, SOM); y entre los modelos supervisados: el perceptrón multicapa (Multi-Layer Perceptron, MLP) y las redes híbridas (Radial Basis Functions, RBF).