UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA

Escuela Académico Profesional de Ingeniería de Sistemas

SILABUS

1.- ESPECIFICACIONES GENERALES

2.- SUMILLA

Propiedades de las redes neuronales individuales, integración sináptica y modelos de neuronas. Operaciones vectoriales esenciales. Inhibición lateral y procesamiento sensorial. Operaciones sencillas de matrices. El asociador lineal; simulaciones. Primeros modelos de redes. El perceptron. Algoritmos de descenso en gradiente. Representación de la información. Aplicaciones de los asociadores sencillos; formación de conceptos y movimiento de objetos. Energía y redes neuronales; redes de hopfield y máquinas de Boltzmann. Clasificadores del vecino más cercano. Mapas adaptativas. El modelo ECC; una simple red neural auto asociativa no lineal. Cómputos asociativos. Enseñándole aritmética a una red neural.

3.- OBJETIVO GENERAL

El estudiante será capaz de desarrollar sistemas inteligentes basados en Redes Neuronales Artificiales (RNA), que puedan aplicarse en la resolución de problemas en los sectores de servicios, ciencia y tecnología.

4.- OBJETIVOS ESPECÉFICOS

Que el estudiante sea capaz de:

• Aprender los conceptos, fundamentos y aplicaciones de la metodología denominada Redes Neuronales Artificiales (RNA).
• Representar problemas de diversa índole mediante RNA, enfatizando en cómo usar los datos disponibles, en cómo seleccionar el tipo de arquitectura de la red y el tipo de entrenamiento a usar.
• Diseñar, desarrollar y aplicar algunos de los principales modelos de RNAs con Entrenamiento Supervisado, a diversos problemas.
• Diseñar, desarrollar y aplicar algunos de los principales modelos de RNAs con Entrenamiento No Supervisado, a diversos problemas.
• Representar y resolver problemas de optimización mediante cromosomas y operadores genéticos.

5.- CONTENIDO ANALÍTICO POR SEMANAS

SEMANAS	TEMAS	RESUMENES/TRABAJOS
1	Introducción a las Redes Neuronales Presentación del Curso Introducción a las Redes Neuronales
2	Modelizado de la neurona Modelizado de la neurona biológica y de las redes neuronales biológicas. Estructura de los modelos conexionistas. Tipos de arquitectura. . Aprendizaje en las redes neuronales: concepto de aprendizaje, tipos de entrenamiento.
3	Representación de problemas mediante Redes Representación de problemas mediante Redes. Neuronales Supervisadas. Perceptrón Unicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo.
4	Aplicaciones a casos prácticos del Perceptrón Unicapa Aplicaciones a casos prácticos del Perceptrón Unicapa. Herramientas computacionales para redes neuronales (MATLAB, Netlab, SNNS, etc.).
5	Red ADALINE Red ADALINE: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. Aplicaciones a casos prácticos. Comparación con Perceptrón Unicapa
6	Variables Linguísticas y Modificaciones Linguísticas Variables linguísticas: definición. Mofidicadores linguísticos.
7	Diseño de un Controlador Difuso para una Máquina Lavadora Diseñar el controlador borroso de una máquina lavadora que proporcione el tiempo de lavado correcto aunque no se tenga disponible un modelo preciso de la relación entrada/salida del sistema.
8	EXAMEN PARCIAL>
9	Arquitecturas Inferencia borrosa Lógica borrosa. Fundamentos. Comparación con la lógica tradicional. Modus Ponens Generalizado y Modus Tollens Generalizado .
10	Sistema de inferencia borrosa Definición de un Sistema de Inferencia borrosa(SIB). Normalización y borrosificación de las entradas. Etapas de la inferencia borrosa: agregación y composición. Módulo de inferencia borrosa.
11	Desarrollo de un Controlador borroso para una grúa Diseño y desarrollo de un controlador borroso de una grúa puente para contenedores. Se presentara el algoritmo básico del controlador borroso. Se desarrollaran las etapas de borrosificación de las entradas, procesamiento borroso y desborrosificación de las salidas. Se utilizará para esta sesión el software llamado fuzzy Tech versión 5.54.
12	Introducción a algoritmos evolutivos Repaso de resolución de problemas de búsqueda. Introducción a las Metaheuristicas. Evolución natural y artificial. Algoritmos evolutivos.
13	Algoritmos genéticos Introducción a los algoritmos genóticos. Representación cromosómica Evaluación y selección de los individuos. Operadores genéticos.
14	Algoritmos Genéticos continuación Métodos de selección del torneo. Operadores especiales para crossover y mutación. Ajuste de parámetros de los algoritmos genéticos. Control de lectura Nro 2.
15	Exposición de trabajos computacionales Presentación de trabajos computacionales.
16	EXAMEN FINAL





6.- METODOLOGÍA

El curso se desarrolla a través de actividades teórico-prácticas, dando énfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en grupos de 2 o 3 estudiantes, desarrollarán un trabajo computacional.

7.- EVALUACIÓN

El promedio final (PF) se determina de la forma siguiente:

PF=0.05(CL1 +CL2) + 0.20*TC + 0.35*EP +0.35*EF

Donde:

CL1, CL2:	Controles de lectura
TC:	Trabajo computacional (Sistemas de inferencia borroso o Algoritmo genético)
EP:	Examen parcial
EF:	Examen final

8.- BIBLIOGRAFÍA

1. BONIFACIO MARTIN SANZ ALFREDO
• 2002 Redes Neuronales y Sistemas Difusos. Ed. Alfaomega
• ISBN 84-7897-466-0


2. KLIR, J.; YUAN, BO
• 1995 Fuzzy Sets and Fuzzy Logic: Theory and Applications. Ed. Prentice Hall
• ISBN 0131011715


3. COX, EARL
• 1994 The Fuzzy Systems Handbook. Ed Ap Professional
• ISBN 0121942708


4. SIVANANDAM, S.; SUMATHI, S.; DEEPA, S.
• 2007 Introduction a Fuzzy Logic using MATLAB. Ed. Springer
• ISBN 103-540-35780-3


5. MICHALEWICZ ZBIGNIEW
• 1996 Genetic Algorithms+Data Structures=Evolution Programs. 3ra Ed. Ed Springer
• ISBN 3-540-60676-9


6. WHITLEY DARRELL
• 2001 An Overview of Evolutionary Algorithms
• Journal of Information and Software Technology.43:817-831



Las lecturas obligatorias serán proporcionadas por el profesor del curso.