Temario

1.     Introducción a las Redes Neuronales

1.1. Introducción.      

1.2. ¿Qué son las redes neuronales?      

1.3. Revisión histórica.             

1.4. Ventajas de las redes neuronales.  

1.5. Modelos Neuronales.        

1.6. Arquitecturas neuronales.

1.7. Métodos de aprendizaje. 

1.8. Estructuras neuronales.    

1.9. Aplicaciones de las Redes Neuronales.        

2.     Sistemas con una neurona      

2.1. Descripción de una neurona.          

2.2. Perceptrón.          

2.3. Sistemas adaptativos.      

2.4. Obtención del algoritmo de aprendizaje LMS.           

2.5. Variantes del LMS.           

3.     El Perceptón Multicapa           

3.1. Introducción.      

3.2. Arquitectura del perceptrón multicapa.       

3.4. Inconvenientes del algoritmo Backpropagation.      

3.5. Variantes del algoritmo Backpropagation. 

3.6. Otros algoritmos de aprendizaje.   

3.7. Optimización de la arquitectura de la red.   

3.8. Tratamiento de los datos.

3.9. Aplicaciones prácticas. Implementaciones en MATLAB.       

4.     Mapas autoorganizativos       

4.1. Introducción al aprendizaje supervisado.   

4.2. Tipos de aprendizaje supervisado.

4.3. Mapas Auto-Organizativos.           

4.4. LVQ.     

4.5. ART (Adaptive Resonance Theory).            

5.     Hopfield, Comités de expertos, OCON, Recurrentes, Neurodifusas y SVM

5.1. Red de Hopfield.               

5.2. Redes basadas en la decisión y estructuras OCON.  

5.3. Comités de expertos.        

5.4. Redes Recurrentes.           

5.5. Máquinas de vectores soporte (SVM).