Redes Neuronales

Asignatura

Ficha Técnica
Modalidad Electiva
Área Especialización
U.C: 3
Código 2120360000780

Justificación

Muchos problemas de Ingeniería en las más diversas industrias (e.g., petrolera) pueden formularse como de clasificación o modelado a partir de datos. Este curso además de ofrecer fundamentos, ofrece métodos y herramientas para resolver problemas de clasificación supervisada y no supervisada, y modelado, utilizando redes neuronales (perceptrón multicapa y mapas autoorganizativos), máquinas de vectores de soporte y otras alternativas clásicas de la estadística. Indicadores para evaluar el desempeño de los métodos considerados y alternativas para el análisis de sensibilidad local y global basado en modelos es también objeto de este curso.

Objetivos del Curso

  • Presentar la estructura para la formulación de problemas de clasificación y modelado a partir de datos.
  • Discutir métodos para resolver los problemas de interés basados en modelos de redes neuronales, máquinas de vectores de soporte y otros enfoques clásicos de la estadística.
  • Presentar medidas de desempeño y funciones de prueba para la evaluación de los métodos de clasificación y modelado.
  • Resolver problemas de clasificación y modelado asistidos por reconocidas herramientas computacionales.

Prerequisitos

Haber cursado las siguientes asignaturas: Matemáticas para la Computación. Técnicas de Programación y Métodos Estadísticos

Contenido Programático

Unidad 1: Introducción

  • Descripción de problemas de interés: clasificación supervisada y no supervisada, construcción de modelos a partir de datos, análisis de sensibilidad utilizando modelos sustitutos
  • Ejemplos de aplicación en la industria
  • Soporte computacional

Unidad 2: Clasificación no supervisada

  • Fundamentos de la clasificación
  • Formulación del problema de clasificación no supervisada
  • Objetivos duales de la clasificación
  • Medidas de similitud (e.g., Mahalanobis) y número de particiones posibles
  • Métodos de clasificación no supervisada
    • Análisis de conglomerados
      • Métodos directos (e.g., K-means , clasificador Bayesiano)
      • Jerárquicos (e.g., dendrograma)
    • Mapas autoorganizativos
  • Indicadores de desempeño (e.g.. R2, indicador de Davies-Bouldin)
  • Ejercicios propuestos

Unidad 3: Clasificación supervisada

  • Formulación del problema
  • Métodos de clasificación supervisada
    • Métodos paramétricos (e.g., clasificador Bayesiano)
    • Métodos no paramétricos
      • Discriminante lineal de Fischer
      • K-entorno más próximo
      • Perceptrón multicapa
      • L.V.Q. ( learning vector quantization )
      • S.V.M. Máquinas de vectores de soporte para clasificación
  • Indicadores de desempeño
  • Ejercicios propuestos

Unidad 4: Construcción de modelos a partir de datos

  • Formulación del problema
  • Fundamentos
  • Métodos de modelado
    • Modelos de regresión lineal
    • Perceptrón multicapa
    • Máquinas de vectores de soporte para regresión
  • Indicadores de desempeño y selección de modelos (e.g., validación cruzada)
  • Ejercicios propuestos

Unidad 5: Análisis de sensibilidad basada en modelos sustitutos

  • Análisis de sensibilidad
    • Preguntas de interés
    • Local vs. Global (método de Sobol)
    • Ejemplos de aplicación con perceptrón multicapa
  • Ejercicios propuestos

Metodología de la Enseñanza

Cada clase se dividirá en una sesión teórica y una práctica en la cual se usará el computador. La duración de cada sesián será de una hora y media.

Intensidad Horaria

La intensidad horaria es de 3 horas/semana durante 16 semanas (48 horas/semestre).

Bibliografía

  • BISHOP C. (1995). Neural Networks for Pattern Recognition. Oxford University Press.
  • DUDA R., HART P. and STORK D. (2001). Pattern Classification. John Wiley & Sons.
  • SCHLKOPF B. and SMOLA A. (2001). Learning with Kernels: Support Vector Machines, Regularization, Optimization and Beyond. The MIT Press.
  • SHAWE-TAYLOR J. and CRISTIANINI N. (2000). Support Vector Machines and other kernel-based learning methods. Cambridge University Press.