Lecturas
Las siguientes lecturas, clasificadas
según los temas que se muestran a continuación,
constituyen la base de este curso. Haga clic en los
enlaces disponibles para ver los resúmenes de
los artículos de las revistas, cuando estén
disponibles.
Libros de texto
Aconsejado: Hertz, J., A. Krogh y R.
G. Palmer. Introduction to the Theory of Neural
Computation. Addison-Wesley, 1991.
Definiciones de neurociencia computacional y
redes neuronales. Ecuaciones de redes neuronales clásicas.
Modelos neuronales de integración y disparo,
y reducción mediante el método del promedio.
Ermentrout, Bard. "Reduction of Conductance-Based
Models with Slow Synapses to Neural Nets", en Neural
Computation, vol 6, 1995, págs. 679-695.
Koch, Christof. Biophysics of Computation.
New York, Oxford: Oxford University Press, 1999, sección
14.2, págs. 335-341.
Perceptrón como detector
de rasgos. Campos receptivos visuales.
Hubel, D. H. Eye, Brain, and Vision.
New York: Scientific American Library, 1988-1995, cap.
3, págs. 39-46.
Marr, D. Vision. New York:
W. H. Freeman and Company, 1982, sección 2.2, págs.
54-79.
El problema de asignación
del crédito. Regla de aprendizaje del perceptrón.
Teorema de convergencia. Aprendizaje por seguimiento
del gradiente. Aprendizaje en línea.
Hertz, Krogh y Palmer. Cap. 5.
Perceptrones multicapas y retropropagación.
Hertz, Krogh y Palmer. Cap. 6.
LeCun, Y., L. Bottou, G. B. Orr y K.
R. Muller. "Efficient backprop", en Neural Networks:
Tricks of the Trade, por G. Orr y K. Muller. Springer,
1998.
Aplicaciones de retropropagación.
LeNet y
el sistema visual.
LeCun, Y., Y. Bengio, Y. LeCun, L. Bottou,
Y. Bengio y P. Haffner. "Gradient-Based Learning Applied
to Document Recognition". Proc. IEEE, nov.
1998.
Robinson, David A. "Implications of
Neural Networks for How We Think About Brain Function".
Behav. Brain. Sci. 15 (1992): 644-55.
La capacidad del perceptrón,
teoría del aprendizaje estadístico.
Cover, T. M. "Geometrical and Statistical
Properties of Systems of Linear Inequalities with Applications
in Pattern Recognition". IEEE Trans. Electronic.
Comput. 14 (1965): 326-34.
Hertz, Krogh y Palmer. Sección
5.7.
Vapnik, V. The Nature of Statistical
Learning Theory. Springer, 1995.
Retroalimentación en
redes neuronales. Análisis de eigenmodo o modo
fundamental, amplificación y atenuación,
teorema del aumento del ancho de banda.
Strang, G. Introduction to Applied
Mathematics. Wellesley, Massachusetts: Wellesley-Cambridge
Press, 1986, sección 1.5, págs. 47-68.
Modelos de redes neuronales
de la retina.
Adelson, E. H. "Lightness Perception
and Lightness Illusions".
Boahen, K. A. "Computation and Neural
Systems Program", en Spatio-temporal Sensitivity
of the Retina: A Physical Model. Pasadena, CA:
California Institute of Technology, 1991, págs.
1-19.
Hartline, H. K. y F. Ratliff. "Inhibitory
Interaction in the Retina of Limulus", en Physiology
of Photoreceptor Organs. Editado por M. G. F. Fuortes.
Berlin, Heidelberg, New York: Springer-Verlag, 1972,
págs. 382-447.
Kandel, E. R., J. H. Schwartz y T. M.
Jessell. Principles of Neural Science. 4/e,
McGraw-Hill, 2000, parte V, cap. 26, págs.
507-522.
Mead, C. Analog VLSI and Neural
Systems. Addison-Wesley Publishing Company, 1989, apéndice
C, págs. 339-351.
Press, W. H., et al. Numerical
Recipes in C. 2ª ed., cap. 12 y 13.
Strang, G. Introduction to Applied
Mathematics. Wellesley, Massachusetts: Wellesley-Cambridge
Press, 1986, sección 4.2, págs. 290-309.
Computación digital-analógica
híbrida. Grupos autorizados y prohibidos.
Hahnloser, R., R. Sarpeshkar, M. Mahowald,
R. J. Douglas y H. S. Seung. "Digital
Selection and Analog Amplification Coexist in a Cortex-Inspired
Silicon Circuit". Nature 405 (2000):
947-51.
Excitación intragrupo
e inhibición global. Modelo de estereopsis de
Marr-Poggio. Modelo de células complejas.
Marr, D. Vision New York: W.H.
Freeman and Company, sección 3.3 (1982):
111-159.
Excitación lateral e
inhibición global. Campos de ganancia y selección
del estímulo.
Ben-Yishai, R., R. L. Bar-Or y H. Sompolinsky.
"Theory
of Orientation Tuning in Visual Cortex". PNAS
92 (1995): 3844.
Salinas, E. y L. F. Abbott. "A
Model of Multiplicative Responses in Parietal Cortex".
PNAS 93 (1996): 11956-61.
Modelos de memoria asociativa.
Hopfield, J. J. "Neural Networks and
Physical Systems with Emergent Collective Computational
Abilities". Proc. Natl. Acad. Sci. USA
79 (1982): 2554-58.
Resumen del análisis de Lyapunov: capítulo
3 de Slotine, 1991.
Tsodyks, M. V. y M. Feigelman.
Actividad retardada. Modelo
de Griniasty-Tsodyks-Amit.
Amit, D. J., "The Hebbian Paradigm Reintegrated:
Local Reverberations as Internal Representations",
Behav. Brain Sci. 18 (1995): 617-26.
Amit, D. J., N. Brunel y M. V.
Tsodyks. "Correlations
Of Cortical Hebbian Reverberations: Theory Versus Experiment".
J. Neurosci. 14 (1994): 6435-45.
Griniasty, M., M. V. Tsodyks y D. J.
Amit. "Conversion Of Temporal Correlations Between Stimuli
To Spatial Correlations Between Attractors". Neural
Comput. 5 (1993): 1-17.
Miyashita, Y. "Neuronal
Correlate Of Visual Associative Long-Term Memory In
The Primate Temporal Cortex". Nature
335 (1998): 817-20.
Zipser, D., B. Kehoe, G. Littlewort
y J. Fuster. "A
Spiking Network Model of Short-Term Active Memory".
J. Neurosci. 13 (1993): 3406-3420.
Integradores neuronales.
Camperi, M. y X.-J. Wang. "A
Model of Visuospatial Working Memory in Prefrontal Cortex:
Recurrent Network and Cellular Bistability".
J. Comput. Neurosci. 5 (1998): 383-405.
Seung, H. S. "How
The Brain Keeps The Eyes Still". Proc.
Natl. Acad. Sci. USA 93 (1996): 13339-44.
Zhang, K. "Representation
Of Spatial Orientation By The Intrinsic Dynamics Of
The Head-Direction Cell Ensemble: A Theory".
J. Neurosci. 16 (1996): 2112-26.
Aprendizaje hebbiano contrastivo
y aprendizaje recurrente de retropropagación
del error.
Hertz, Krogh y Palmer.
Hopfield, J. J. "Neurons
With Graded Response Have Collective Computational Properties
Like Those Of Two-State Neurons". Proc.
Natl. Acad. Sci. USA 81 (1984): 3088-3092.
Slotine, J. E., W. Li. Applied Nonlinear
Control. Englewood Cliffs, New Jersey: Prentice
Hall, Inc., 1991, cap. 3, secciones 3.1, 3.2, 3.4, págs.
40-47, 47-53, 57-76.
Algoritmos de REFUERZO. Neuronas
hedonísticas.
Williams 92.
Aprendizaje del gradiente de
trayectorias: Aprendizaje por retropropagación
del error y aprendizaje recurrente en tiempo real.
Hertz, Krogh y Palmer.
Pearlmutter, B. A. "Gradient Calculation
For Dynamic Recurrent Neural Networks: A Survey".
IEEE Transactions on Neural Networks 6, 5 (1995):
1212-1228.
———. "Learning
State Space Trajectories in Recurrent Neural Networks".
Neural Computation 1 (1989): 263-9.
Williams, R. J. y D. Zipser. "Experimental
Analysis of the Real-time Recurrent Learning Algorithm".
Connection Science 1 (1989): 87-111.
|
