banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSORedes Neuronales Evolutivas y Aplicaciones
NOMBRE DEL MODULOSOFT COMPUTING: HIBRIDACIÓN Y APLICACIONES
Nº CRÉDITOS EUROPEOS3 ECTS
COORDINADORIgnacio Requena Ramos
IDIOMAEspañol
CARÁCTEROptativo
PROFESORADO
María del Carmen Pegalajar Jiménez 1 ECTS
Ignacio Requena Ramos 1 ECTS
César Hervás Martínez 1 ECTS
COMPETENCIAS
Se pretende que el alumno sea capaz
  • a) Saber Utilizar algoritmos evolutivos para el entrenamiento de Redes Neuronales, y para optimizar su estructura.
  • b) Conocer los modelos de RN de unidades producto y aplicarlos a problemas concretos de microbiología predictiva y agroalimentación.
  •  c) Conocer con detalle diferentes aplicaciones de RN y Soft Computing en economía y en ingeniería, que sirvan de referencia ante situaciones reales.  
METODOLOGÍA DE ENSEÑANZA Y APRENDIZAJE
  • Requisitos previos (en su caso): Deben tener, aunque no es imprescindible, conocimientos medios de Redes Neuronales (p.e., haber realizado un curso de grado). 

  • Actividades formativas y su relación con las competencias:      El sistema de clases es semi-presencial, pero se pretende el uso de internet para mejorar y potenciar la calidad docente. Para ello profesores y alumnos disponen de un acceso identificado en la web del Master que permite la comunicación directa, la descarga de material, consultas, etc. Las 25 horas de trabajo efectivo del alumno se estructuran de la siguiente forma:   -  7,5 (25%) horas de clase presencial (incluyendo tutorías académicas)   - 17,5 horas para trabajo autónomo del alumno (estudio de las materias del curso y elaboración de trabajos de teoría y/o práctica)          En general, se les facilita acceso a información general sobre RN,  para aquellos alumnos que la necesiten. Además, para cada competencia del curso, se realizan las siguientes actividades:  a.- Se presentan diversos métodos evolutivos actuales para el entrenamiento y optimización de redes neuronales. Se comparan en el entrenamiento de una red recurrente, los  algoritmos evolutivos,  con otros modelos basados en el cálculo del gradiente. Se estudian la utilización de diversos operadores genéticos de cruce y mutación.       Se explican algunas aplicaciones reales desarrolladas en el departamento:  Inferencia Gramatical   ;   Reconocimiento de objetos y caracteres   ;  El problema del endeudamiento español     ;    Reconocimiento de ADN   También se les propone artículos  para estudiar,  basados en los últimos trabajos realizados en este tema.   b.- Se les presentan los modelos de Redes Neuronales de Unidades Producto comparándolas con las Redes de Unidades Sigmoides y de Base Radial. Se les presentan los resultados obtenidos con este tipo de Redes y con modelos de Regresión Logística con Unidades Producto y de Base Radial en problemas de crecimiento microbiano (determinación de los principales parámetros de las curvas de crecimiento), problemas de determinación de rodales de malas hierbas utilizando técnicas multiespectrales basadas en metodologías de sensores remotos y en problemas de multiclasificación asociados a la determinación de la eficiencia de explotaciones agrarias en Andalucía.    c.- Se les muestra de forma breve y resumida, un amplio abanico de aplicaciones realizadas en el entorno del Departamento, para que puedan ver las posibilidades de aplicación de las RN (también con otras técnicas de Soft Computing). Después se muestra con detalle tres aplicaciones, una de optimización, otra de clasificación, y otra de identificación de sistemas, haciendo hincapié en como se resolvieron los problemas aparecidos. De todas las aplicaciones presentadas, se dispone del material suficiente para poder reproducirlas. 
  • Acciones de coordinación (en su caso):   - Facilitar información general sobre redes neuronales a los alumnos que lo necesiten;   - Gestionar reservas de aulas de practicas (ordenadores)  ;  - Se coordinan las fechas de impartición del curso, y el orden de los temas para que no exista solapamiento, ni problemas con conocimientos previos necesarios  ; - Poner en común la evaluación de los 3 profesores para fijar la calificación definitiva
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN
    En el curso se facilitara el seguimiento del curso a personas que no puedan acudir a las clases presenciales.     Si bien la asistencia y participación es un aspecto importante de la evaluación, no hay ninguna actividad que requiera la presencia obligatoria del alumno.      Los alumnos que hayan asistido con aprovechamiento y participado activamente en todas las actividades docentes presenciales, tendrán como mínimo un aprobado en la asignatura.    Los alumnos que no hayan asistido a alguna sesión del curso, tendrán que consultar en detalle el material de la sesión (básico y adicional) y realizar un trabajo, previa consulta con el profesor correspondiente. Cuando el profesor lo estime conveniente, podrá solicitar al alumno una entrevista personal (que podrá realizarse mediante videoconferencia), para la defensa de dicho trabajo.   Para obtener una nota superior al aprobado, es necesario, en cualquier caso, realizar un trabajo de entre los propuestos por los profesores en el acceso identificado, o establecido mediante acuerdo con alguno de los profesores del curso.
TEMARIO DE TEORÍA
RN y Algoritmos Evolutivos 1 ECTS
Redes Neuronales de unidades producto 1 ECTS
Aplicaciones de RN y Soft Computing 1 ECTS
TEMARIO DE PRÁCTICAS
  •  MATLAB
  •  Software implantado en Java en JCLEC y Keel
BIBLIOGRAFÍA
  •  A.C. Martínez, F.J. Martínez, C. Hervás, N. García ?Evolutionary product unit based neural networks for regression? Neural Network. In press (2006).
  •  C. Martínez-Estudillo, C. Hervás-Martinez, F.J. Martinez-Estudillo, N. García-Pedrajas. ?Hybridization of evolutionary algorithms and local search by means of a clustering method? IEEE Trans Systems, Man & Cybern. Par B: Jun, 06.
  •  C. Hervás Martínez, R.Mª., García Gimeno, A.C. Martinez-Estudillo,, F.J., Martinez-Estudillo, G. Zurera Cosano, ?Improving Microbial Growth Prediction by Product Unit Neural Network?. Journal of Food Science. In press (2005)
  •  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.
  •  Delgado M., Pegalajar M.C. " A multiobjective genetic algorithm for obtaining the optimal size of a recurrent neural network for grammatical inference". Pattern Recognition. Vol: 38, pp. 1444-1456, 2005
  •  Cuellar M., Delgado M., Pegalajar M.C , ?Multiobjective Evolutionary Optimization For Elman Recurrent Neural Networks, Applied To Time Series Prediction?, Fuzzy Economical Review. Vol.: 10, pp. : 17-33, 2005
  •  Flood, I. Neural networks in civil engineering: a review. In Civil and structural engineering computing (H. V. Topping editor). Saxe-Coburg Publications. pp 185-209. 2001 (http://www.saxe-coburg.co.uk/pubs/contents/sl01_08.htm)
  •  S. G. Rosales, I. Requena, C. Mendaña . Revisión del estado del arte de la aplicación de Redes Neuronales Artificiales en Economía y Finanzas. 10th SIGEF Congress. León, España, Octubre 2003.
  •  J.J. Ortíz, I. Requena. Using a Multi-state Recurrent Neural Network to Optimize Fuel Reloads in Nuclear BWRs. Annals of Nuclear Science. Volume 31, Issue 7, May 2004. Pages 789-803.
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