Presentación del grupo 4255 - 2010-1.

Seminario de Inteligencia Artificial. Aprendizaje Computacional. Mat. Eréndira Itzel García Islas. Ayudante. Natalia Carrillo Martínez de la Escalera En este seminario, se analizarán diversas herramientas de aprendizaje computacional.

Con el fin de entender adecuadamente la base del aprendizaje en redes neuronales artificiales, se revisarán los conceptos básicos relativos al aprendizaje en los seres vivos y a partir de entonces, se extenderán dichas nociones hacia el establecimiento del aprendizaje de máquina, donde se expondrán los principales algoritmos y sus modelos respectivos.

En particular, se analizará el paradigma conexionista propuesto por Teuvo Kohonen en su variante denominada Mapeos que preservan la topología (MPT), también conocida como Self-Organizing Maps (SOM). En este sentido, se describirá con detalle el modelo propuesto por dicho autor. Esta descripción parte de las nociones fundamentales que dan origen a este modelo, principalmente el aprendizaje no supervisado, haciendo especial énfasis en el fenómeno de autoorganización, sobre el que se fundamenta gran parte de los temas de estudio de este curso. TEMARIO. Conceptos generales del aprendizaje I. Aprendizaje computacional - Aprendizajes supervisado y no supervisado -.Ciclo algedónico - Condicionamiento Instrumental u operante - Condicionamiento clásico -. Aprendizaje por evolución -. Aprendizaje por recompensa -. Otros métodos de aprendizaje -. Peso informativo y entropía II. Bases biológicas del aprendizaje III. Redes neuronales biológicas IV. Redes neuronales artificiales - Perceptrón multicapa - Redes de Hopfield - Redes de Kohonen - Memoria y aprendizaje - Bases fisiológicas del aprendizaje - Circuitos neuronales - Potenciación duradera, depresión duradera. - Habituación, sensibilización. V. Autoorganización - Complejidad - Autoorganización

- Dinámica no lineal

VI. La mente como propiedad emergente de la autoorganización neuroquímica y funcional del cerebro. Bibliografía Kecman, V. Learning and soft computing. MIT. 2001 Vapnik, V. The nature of statistical learning theory. Springer, 2000. Carbonell, J. Machine learning: Paradigms and methods. Bradford. 1990. Haykin, S. Neural Networks, a comprehensive foundation. Prentice Hall. 2001. Kühn, R. y otros. Adaptivity and learning . Springer. 2003. Villee Claude A. et al. Biología , Interamericana–McGraw Hill, 1992. Lashley, T., Jackson R., Aprendiza je y cognición . Prentice Hall, 1997 Putnam, H. Introducción a la Psicología Fisiológica . Harla,1977 Kandel, E., Jessell, T., Schwartz, J. Neurociencia y conducta, Prentice Hall, 1996.