banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSORedes Neuronales Avanzadas
NOMBRE DEL MODULOSOFT COMPUTING: FUNDAMENTOS
Nº CRÉDITOS EUROPEOS3 ECTS
COORDINADORJuan Luis Castro Peña
IDIOMAEspañol
CARÁCTEROptativo
PROFESORADO
Juan Luis Castro Peña 1 ECTS
María del Carmen Pegalajar Jiménez 1 ECTS
Ignacio Requena Ramos 1 ECTS
COMPETENCIAS
Se pretende que el alumno sea capaz de:
  •  Seleccionar un modelo de RN adecuado al problema y los parámetros correspondientes, así como probar y validar el modelo.
  •  Conocer los modelos avanzados de RN recurrentes, y aplicarlos a problemas concretos.
  •  Conocer y adaptar los modelos de RN para usarlos en problemas de optimización.
  •  Conocer y Manejar las Redes de Hopfield Multiestado, como paradigma avanzado para problemas de optimización.
METODOLOGÍA DE ENSEÑANZA Y APRENDIZAJE
El sistema de clases es presencial, aunque se pretende el uso intensivo de los recursos de internet para mejorar y potenciar la calidad docente. Para ello profesores y alumnos disponen de un acceso identificado a través de esta web que permite la comunicación directa entre el profesor y el alumno, descarga de material, consultas diversas, foros, realización de encuestas, etc.  Como referencia básica cada ECTS se corresponde con 25 horas de trabajo efectivo del alumno y habitualmente se estructura de la siguiente forma

- 4 horas de clases presenciales
- 4 horas de clases de trabajo práctico en laboratorio
- 17 horas de trabajo del alumno
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN
Asistencia, Participación, Trabajos Personales y en caso necesario, un Examen  
TEMARIO DE TEORÍA
Ingeniería de Redes Neuronales. 1 ECTS
Redes Neuronales Recurrentes. Aplicaciones 1 ECTS
Redes Neuronales y Optimización 1 ECTS
TEMARIO DE PRÁCTICAS
  •  MATLAB
BIBLIOGRAFÍA
1. HAYKIN S. "Neural Networks. A Comprehensive Foundation ". Prentice Hall, 1999.
2. C. Bishop. Neural Networks for Pattern Recognition. Claredon Press. Oxford. 1995,
3. R.D. Reed, R.J. Marks, "Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks," MIT
4. Blanco A., Blanco A., Delgado M., Pegalajar M.C. " A Real-Coded Genetic Algorithm for Training Recurrent Neural Networks". Neural Networks. Vol.: 14 pp.:93-105, 2001
5. Delgado M., Pegalajar M.C, ? Genetic Algorithm to obtain the Optimal Recurrent Neural Network?. International Journal of Approximate Reasoning. Vol:23, pp. 67-83., 2000.
6. E. Mérida. Red Neuronal Recurrente Multivaluada para el Reconocimiento de Patrones y la Optimización Combinatoria. PhD thesis, Universidad de Málaga, May 2000.
7. P.H. Wasserman. Avanced Methods in Neural Computing. Van Nostrand. 1993
8. Dreyfus G. ?Neural Networks: Methodology and Applications?. Springer, 2005.
9. A. Cichocki, F. Unbehauen. Neural Networks for Optimization and Signal Processing. Wiley & Sons. 1994
10. I. Requena, A. Blanco, M. Delgado, J.L. Verdegay. Boltzmann Machines for Fuzzy Optimization . The Journal of Fuzzy Mathematics. Vol 2 Num. 3 . 1994. pg 1-12
Máster: Soft Computing y Sistemas Inteligentes
Mapa Web
sugerencias
Dpto. Ciencias de la Computación e Inteligencia Artificial
E.T.S. Ingeniería Informática y de Telecomunicaciones
Universidad de Granada
 
¡CSS Válido!   Valid XHTML 1.1