UNIVERSIDAD AUTNOMA DEL ESTADO DE HIDALGO

DIVISIN DE DOCENCIA DIRECCIN DE PLANEACIN Y DESARROLLO EDUCATIVO PROGRAMA DE ESTUDIO

LICENCIATURA EN SISTEMAS COMPUTACIONALES

PROGRAMAS DE ESTUDIO DE LA ASIGNATURA:

Redes Neuronales

FECHA DE ELABORACIN: 15 de marzo de 2001 UBICACIN SEMESTRE CARGA HORARIA Teor Prct Total ica CRDITOS ANTECEDENTE SERIACIN SUBSECUENTE

RELACIN CON ASIGNATURAS DEL MISMO SEMESTRE

RELACION CON ASIGNATURAS DE SEMESTRES ANTERIORES

RELACIN CON ASIGNATURAS DE SEMESTRES POSTERIORES

Reconocimiento de Patrones

- Inteligencia Artificial

Temas Selectos de Computacin inteligente

OBJETIVOS 1. 2. 3. 4. 5. 6. 7. Introducir los conceptos bsicos y fundamentos de las redes neuronales, as como de las neuronas del cerebro humano. Discutir las ventajas y desventajas de la utilizacin de las redes neuronales. Plantear las diversas reas en donde se pueden aplicar los diferentes paradigmas de redes neuronales. Exponer el funcionamiento, as como las diversas arquitecturas de las redes neuronales. Estudiar diferentes modelos de redes neuronales con aprendizaje supervisado. Discutir diversos modelos de redes neuronales con aprendizaje no supervisado. Desarrollar proyectos relacionados con aplicaciones de las redes neuronales.

TITULO DE LA UNIDAD

TEMAS / SUBTEMAS / TPICOS 1.1 Panorama histrico 1.2 Definicin de red neuronal 1.3 Ventajas y desventajas de las redes neuronales

1. Introduccin a la computacin neuronal

2. Aplicaciones de las redes neuronales 3. Fundamentos de las redes neuronales 3.1 El modelo biolgico 3.2 Elementos de una red neuronal artificial 3.3 Estructura de una red neuronal artificial 3.4 Complejidad de la interconexin de neuronales.

las

redes

4. Caractersticas de las redes neuronales

4.1 Topologa de las redes neuronales 4.1.1 Redes monocapa 4.1.2 Redes multicapa 4.2 Mecanismos de aprendizaje 4.2.1 Redes con aprendizaje supervisado 4.2.2 Redes con aprendizaje no supervisado

TITULO DE LA UNIDAD

TEMAS / SUBTEMAS / TPICOS 4.3 Tipo de asociacin entre las informaciones de entrada y salida 4.3.1 Redes hetereoasociativas 4.3.2 Redes autoasociativas 4.4 Representacin de la informacin de entrada y salida 4.5 Caractersticas de los modelos de redes neuronales ms conocidas 5.1 El Perceptron 5.1.1 Regla de aprendizaje del Perceptron 5.1.2 Solucin al problema de la separabilidad lineal 5.2 Redes ADALINE y MADALINE 5.2.1 Aprendizaje de la red ADALINE 5.2.2 Aplicaciones 5.2.3 La red MADALINE 5.3 La red Backpropagation 5.3.1 Regla Delta generalizada 5.3.2 Estructura y aprendizaje de la red Backpropagation 5.3.3 Aplicaciones 6.1 El modelo de Hopfield 6.1.1 Arquitectura 6.1.2 Funcionamiento 6.1.3 Aprendizaje 6.1.4 Aplicaciones 6.2 Redes de Kohonen 6.2.1 Arquitectura 6.2.2 Funcionamiento 6.2.3 Aprendizaje 6.2.4 Aplicaciones 6.3 El modelo de resonancia adaptativa (ART) 6.3.1 Arquitectura de una red ART 6.3.2 Funcionamiento 6.3.3 Aprendizaje 6.3.4 Aplicaciones

5. Diferentes modelos de redes neuronales con aprendizaje supervisado

6. Diversos modelos de redes neuronales con aprendizaje no supervisado

FORMAS DE EVALUACIN
Exposiciones (investigaciones y de proyectos), Tareas, exmenes, proyectos finales (trabajos de implementacin).

BIBLIOGRAFA
1. 2. 3. 4. 5. 6. 7. Redes Neuronales Artificiales; Fundamentos, modelos y aplicaciones. Jos Hilera y Vctor Martnez, Alfaomega, ra-ma, 2000. An introduction to Neural Networks. Ben J. A. Krose and P. Patrick van der Smagt, http://www.robotic.dlr.de/Smagt/books/, 1996. Neural Networks: a comprehensive foundation. Simon Haykin, 1999. Artificial Neural Networks. Robert Schalkoff, Mc Graw Hill, 1997. Pattern Recognition using Neural Networks, Carl G. Looney, Oxford, 1997, U.S.A. Pattern Recognition and Neural Networks, Ripley, Cambridge University Press, 2000, U.K. Neural Netwoks; Theoretical Foundations and Analysis. Edited by Clifford Lau, IEEE Press, 1992.