Profesor | Víctor Germán Mijangos de la Cruz | ma ju | 17:30 a 19 | P118 |
Ayudante | Alan Gabriel Romero Pacheco | lu mi | 19 a 20 | P118 |
Ayud. Lab. | Emilio Alejandro Morales Juárez | ma | 12 a 14 | Taller de Computación Visual e Innovación Tecnológica |
El curso comprenderá el modelo matemático de la red neuronal que da pie a las redes neuronales artificiales y su generalización. Se revisarán los temas más prominentes sobre redes neuronales: su modelación, el concepto de arquitectura y el proceso de aprendizaje que conllevan. Asimismo, se profundizará en algoritmos específicos de la familia de redes neuronales, como es el Perceptrón, las redes FeedForward, las redes recurrentes, entre otras. Dentro de esto, se buscará comprender los diferentes problemas que corresponden a cada uno de estos modelos (problemas secuenciales, de clasificación, de regresión, de estimación probabilística). También se profundizará en la implementación de las redes neuronales, tanto la programación de los módulos básicos, como el uso de paquetería especializada en estos (tensorflow, pytorch). Además de los algoritmos típicos dentro de la familia de redes neuronales, se impulsará la creación de nuevas arquitecturas que respondan a problemas específicos. Se abordará también la teoría de aprendizaje geométrico profundo que plantea un marco matemático para el planteamiento de diferentes arquitecturas a problemas estructurados.
Las ayudantías (dias lunes y miércoles) se llevarán a cabo de forma virtual.
La calificación se llevará a cabo de la siguiente forma:
Exámenes | 50 % |
Ejercicios teóricos | 20 % |
Prácticas | 30 % |
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. https://www.deeplearningbook.org/
Haykin, S. (2009). Neural networks and learning machines. Pearson Education India.
Leijnen, S., & Veen, F. V. (2020). The neural network zoo. Multidisciplinary Digital Publishing Institute Proceedings, 47(1), 9.
Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
Bronstein, M. M., Bruna, J., Cohen, T., & Veličković, P. (2021). Geometric deep learning: Grids, groups, graphs, geodesics, and gauges. arXiv preprint arXiv:2104.13478.
Github: https://github.com/VMijangos/Redes_Neuronales
Classroom: https://classroom.google.com/c/NTM4NzA4NDM1ODM2?cjc=kygcfnr