|
|
|
|
Clase
1 |
|
|
|
- Definición de
neurociencia computacional y redes neuronales.
Ecuaciones de redes neuronales clásicas.
Modelos neuronales de integración y disparo,
y reducción mediante el método
del promedio.
|
|
|
|
|
|
|
|
|
Clase
complementaria opcional 1 |
|
|
|
- Debate sobre la tarea
1. Repaso de ecuaciones diferenciales básicas,
aproximaciones de Taylor y MATLAB®.
Técnicas para la tarea 1.
|
|
|
|
|
|
|
|
|
Clase
2
|
|
|
|
- Perceptrón como
detector de rasgos. Campos receptivos visuales.
- Trabajo 1: neuronas de
integración y disparo, método
del promedio.
|
|
|
|
|
|
|
|
|
Clase
3 |
|
|
|
- El problema de asignación
del crédito. Regla de aprendizaje del
perceptrón. Teorema de convergencia.
Aprendizaje por seguimiento del gradiente. Aprendizaje
en línea.
|
|
|
|
|
|
|
|
|
Clase
complementaria opcional 2 |
|
|
|
- Tarea 2. Manipulación
de la base de datos MNIST en MATLAB®.
Eigenvalores. Trazado de contornos en MATLAB®.
|
|
|
|
|
|
|
|
|
Clase
4
|
|
|
|
- Perceptrones multicapa
y retropropagación.
- Trabajo 2: perceptrones
|
|
|
|
|
|
|
|
|
Clase
5
|
|
|
|
- Aplicaciones de retropropagación.
LeNet y el sistema visual.
|
|
|
|
|
|
|
|
|
Clase
6 |
|
|
|
- La capacidad del perceptrón,
teoría de aprendizaje estadístico.
- Trabajo 3: retropropagación.
|
|
|
|
|
|
|
|
|
Clase
7 |
|
|
|
- Aprendizaje no supervisado
para perceptrones. Componente principal y medio.
|
|
|
|
|
|
|
|
|
Clase
8 |
|
|
|
- Retroalimentación
en redes lineales. Análisis del eigenmodo
o modo fundamental, amplificación y atenuación,
teorema del aumento del
ancho de banda.
|
|
|
|
|
|
|
|
|
Clase
9 |
|
|
|
- Modelos de red neuronal
de la retina.
|
|
|
|
|
|
|
|
|
Clase
10 |
|
|
|
- Autoexcitación
e inhibición global. Toma de decisión.
La operación MAX.
- Trabajo 5: teoría
de redes lineales.
|
|
|
|
|
|
|
|
|
Clase
11 |
|
|
|
- Computación digital-analógica
híbrida. Grupos autorizados y prohibidos.
|
|
|
|
|
|
|
|
|
|
|
|
|
Repaso
de mitad de trimestre |
|
|
|
|
|
|
|
|
|
|
|
|
Examen
de mitad de trimestre |
|
|
|
|
|
|
|
|
Clase 12
|
|
|
|
- Excitación intragrupo
e inhibición global. Modelo de estereopsis
de Marr-Poggio. Modelo de células complejas.
- Trabajo 6: teoría
de redes no lineales.
|
|
|
|
|
|
|
|
|
Clase
13 |
|
|
|
- Excitación lateral
e inhibición global. Campos de ganancia
y selección del estímulo.
|
|
|
|
|
|
|
|
|
Clase
14 |
|
|
|
- Revisión del examen
de mitad de trimestre.
|
|
|
|
|
|
|
|
|
Clase
15 |
|
|
|
- Cuantización vectorial
(VQ)
- Análisis del componente
principal (PCA)
- Trabajo 7: teoría
de redes no lineales (continuación).
|
|
|
|
|
|
|
|
|
Clase
16 |
|
|
|
- Modelos de memoria asociativa.
|
|
|
|
|
|
|
|
|
Clase
17 |
|
|
|
- Actividad retardada.
Modelo de Griniasty-Tsodyks-Amit.
- Trabajo 8: VQ (Cuantización
vectorial)
|
|
|
|
|
|
|
|
|
Clase
18 |
|
|
|
|
|
|
|
|
|
|
|
|
Clase
19 |
|
|
|
- Aprendizaje hebbiano
contrastivo y aprendizaje recurrente de retropropagación
del error.
- Entrega del trabajo 9.
|
|
|
|
|
|
|
|
|
Clase
20 |
|
|
|
- Aprendizaje por refuerzo.
Sinapsis hedonística.
|
|
|
|
|
|
|
|
|
Clase
21 |
|
|
|
- Algoritmos de aprendizaje
por REFUERZO. Neuronas hedonísticas.
- Entrega del trabajo 10.
|
|
|
|
|
|
|
|
|
Clase
22 |
|
|
|
- Aprendizaje del gradiente
de trayectorias: aprendizaje por retropropagación
del error y aprendizaje recurrente en tiempo
real.
|
|
|
|
|
|
|
|
|
Clase
23 |
|
|
|
|
|
|
|
|
|
|
|
|
Clase
24 |
|
|
|
Repaso
final |
|
|
|
|
|
|
|
|
|
|
|
|
Sesión
de repaso para el examen final |
|
|
|
|
