Centro Universitario De Ciencias Exactas E Ingenierías División De .

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓNDATOS DE IDENTIFICACIÓN DEL CURSODEPARTAMENTO:ACADEMIA A LA QUE PERTENECE:NOMBRE DE LA MATERIA:CLAVE DE LA MATERIA:CARÁCTER DEL CURSO:TIPO DE CURSO:No. DE CRÉDITOS:No. DE HORAS TOTALES:Ciencias ComputacionalesInteligencia AritificialRedes Neuronales ArtificialesCC410Optativa TES:CC307 Programación Lógica y FuncionalCARRERAS EN QUE SE IMPARTE:FECHA DE ULTIMA REVISIÓN:Ingeniería en computaciónDiciembre 2016Nopresencial12PROPÓSITO GENERALEl alumno será capaz de resolver problemas de su vida profesional por medio de técnicas noconvencionales de inteligencia artificial, como son las redes neuronales.OBJETIVO TERMINALEl alumno conocerá una nueva forma de resolución de aquellos problemas que no pueden serdescritos fácilmente en términos exactos mediante un enfoque algorítmico tradicional. en estecaso se trataría de expresar la solución, no como una secuencia de pasos, sino como laevolución de unos sistemas de computación inspirados en el funcionamiento del cerebrohumano y dotados, por tanto, de una cierta "inteligencia", denominados redes neuronales; loscuales, no son sino la combinación de una gran cantidad de elementos simples de proceso(neuronas) interconectados que, operando de forma masivamente paralela, consiguen resolverproblemas relacionados con el reconocimiento de patrones, predicción, codificación,clasificación, etc.CONOCIMIENTOS PREVIOSAlgebra lineal, Programación básica, Ecuaciones diferencialesHABILIDADES Y DESTREZAS A DESARROLLAR1.‐Competencia Conceptual, 2.‐Competencia Técnica, 3.‐Competencia de Contexto, 4.‐Competencia de Integración, [Identificar, Explicar, Analizar, Diseñar]ACTITUDES Y VALORES A FOMENTARDisciplina, Puntualidad, Orden, RespetoAv. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓNMETODOLOGÍA DE ENSEÑANZA APRENDIZAJEMétodo tradicMétodo AAula Inte Multimedia Desarrollode proyectMétodo ional de exposi udiovisualractivacióno%20DinámicasEstudio decasosOtros (Prácticas)10103030CONTENIDO TEMÁTICOMODULO 1. REPASO DE INTELIGENCIA ARTIFICIAL8 HRSOBJETIVO DEL MODULO: El alumno diferenciará conceptos de la Inteligencia Artificial,examinará los diferentes paradigmas y recordará parte de la historia de la IA, para ubicar a las Redes Neuronales Artificiales en un contexto correcto.1.1 Definición de Inteligencia2 HRSEl alumno conocerá las diferentes definiciones de inteligencia artificial1.2Generalidades, Objetivos y Aplicaciones de Inteligencia Artificial1 HRSEl alumno identificará los objetivos y aplicaciones de la IA1.3 Estrategias de la IAEl alumno ubicará a las redes neuronales artificiales en el contexto de laIA1.4 Breve visión histórica de la IAEl alumno analizará el desarrollo histórico de la IA2 HRS1.5 Paradigmas en IAEl alumno advertirá los diferentes paradigmas de la IA2 HRSMODULO 2. MODELO BIOLÓGICOOBJETIVO DEL MODULO: El alumno investigará los principales niveles de estudio y el modelobiológico que sirve como base a las Redes Neuronales Artificiales.2.1Introducción al Modelo Biológico de la Neurona1 HRS10 HRS2 HRS2.2OBJETIVO DEL TEMA: El alumno distinguirá la importancia de lasneuronas biológicasLa Neurona Biológica2 HRS2.3OBJETIVO DEL TEMA: El alumno comprenderá el funcionamiento de unaneurona naturalLa sinapsis2 HRSOBJETIVO DEL TEMA: El alumno estudiará el proceso de la sinapsis y suimportancia en las redes neuronales biológicasAv. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓN2.4Tipos de Neuronas2 HRS2.5OBJETIVO DEL TEMA: El alumno diferenciará los tipos de neuronas y sufunciónEl sistema nervioso central2 HRSOBJETIVO DEL TEMA: El alumno jerarquizará el papel de la neurona endentro del sistema nerviosoMODULO 3. INTRODUCCIÓN A LA COMPUTACIÓN NEURONAL10 HRSOBJETIVO DEL MODULO: El alumno expresará a detalle el campo de la computación neuronalademás de entender su funcionamiento y ventajas respecto a otras formas de computación enla solución de problemas complejos.3.1 La neurona artificial2 HRSEl alumno construirá la definición de RNA3.2Modelo de una neuronaEl alumno formulará el modelo matemático de una neurona a partir de sufuncionamiento en el ámbito biológico3.3 Grafos Orientados Aplicados A Redes NeuronalesEl alumno utilizará la teoría de grafos orientados para el estudio de RNA3.4 Arquitecturas NeuronalesEl alumno reconocerá los distintos tipos de arquitecturas neuronales3.5 Generalidades de las redes neuronales artificialesEl alumno señalará las ventajas y limitaciones de las RNA2 HRS2 HRS2 HRS2 HRSMODULO 4. PRIMERAS REDES NEURONALES10 HRSOBJETIVO DEL MODULO: El alumno revisará los primeros modelos de RNA, dentro de sucontexto histórico para entender su importancia en el desarrollo del área y describir las criticasque recibieron.4.1 Modelo de McCulloch y Pitts2 HRSEl alumno notará las características operativas del modelo de McCulloch& Pitts4.2 El Perceptrón4 HRSEl alumno averiguará las características operativas del modeloperceptrón4.3 El Adaline4 HRSEl alumno descubrirá las características operativas del modelo AdalineAv. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓNMODULO 5. CLASIFICACIÓN DE LAS RNAOBJETIVO DEL MODULO: El alumno inspeccionará las diferentes características de las RNA, quesirven para clasificarlas.5.1Clasificación de las RNA por su origen7 HRS1 HRSEl alumno clasificará las RNA de acuerdo a su origen5.2Clasificación de las RNA por su topología1 HRSEl alumno especificará las RNA de acuerdo a su topología5.3Clasificación de las RNA por su mecanismo de aprendizaje3 HRSEl alumno ordenará las RNA de acuerdo a su mecanismo de aprendizaje5.45.5Clasificación de las RNA por su Asociación entre E/SEl alumno dividirá las RNA de acuerdo a la asociación entradas‐salidasClasificación de las RNA por la Representación de la Información de Entrada y Salida1 HRS1 HRSEl alumno agrupará las RNA de acuerdo a la representación de sus datosMODULO 6. REDES MULTICAPA10 HRSOBJETIVO DEL MODULO: El alumno detallará el funcionamiento de las redes de varias capas,que pueden dar soluciones a problemas de mayor complejidad.6.1 Introducción a las redes neuronales multicapa2 HRSEl alumno comprenderá la necesidad de las redes neuronales multicapa6.2El algoritmo de retropropagación4 HRSEl alumno deducirá el algoritmo de retropropagación6.3Consideraciones básicasEl alumno razonará lis diferentes aspectos operacionales del algoritmo deretropropagación6.4 Aproximación de FuncionesEl alumno empleará a las redes neuronales multicapas como unaproximador universal de funciones2 HRS2 HRSMODULO 7. REDES ASOCIATIVASOBJETIVO DEL MODULO: El alumno detallará los modelos de RNA, que tienen la característicade comportarse como memorias asociativas7.1Modelo de Hopfield7 HRS2 HRSEl alumno probará el modelo discreto de Hopfield7.2Memoria asociativa1 HRSEl alumno explorará el concepto de memoria asociativaAv. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓN7.3Aprendizaje en la red de HopfieldEl alumno discutirá los diferentes tipos de aprendizaje para una red de Hopfield2 HRS7.4Neuronas estocásticas: Máquina de BoltzmannEl alumno entenderá el modelo de una máquina de Boltzmann y surelación con el modelo de Hopfield1 HRS7.5Modelo de Hopfield ContinuoEl alumno percibirá el modelo continuo de Hopfield1 HRSMODULO 8. REDES COMPETITIVAS4 HRSOBJETIVO DEL MODULO: El alumno puntualizará la forma en que operan las Redes quetrabajan con un aprendizaje competitivo, así como las principales características de las redesque siguen este tipo de funcionamiento.8.1 Introducción a las redes neuronales competitivas1 HRSEl alumno señalará la necesidad del aprendizaje competitivo en las redesneuronales artificiales8.2 Aprendizaje Competitivo2 HRSEl alumno advertirá los elementos de un aprendizaje competitivo enredes neuronales artificiales8.3 Mapas autoorganizados de Kohonen1 HRSEl alumno juzgará los antecedentes biológicos del modelo de KohonenMODULO 9. OTROS MODELOSOBJETIVO DEL MODULO: El alumno nombrará y reconocerá algunos modelos secundarios y lasdiferentes formas de hibridación que se pueden lograr con las redes neuronales.9.1Redes de Base Radial14 HRS3 HRSEl alumno entenderá y aplicará las redes neuronales de base radial9.2Redes Neuronales Recurrentes3 HRS9.3El alumno apreciará la importancia de la incorporación de recurrencia enlas redes neuronales artificialesMáquinas de Vector Soporte3 HRSEl alumno inferirá y manipulará las máquinas de vector soporte9.49.5Sistemas Neuronales HíbridosEl alumno particularizará algunas formas de hibridación con RNA;especialmente con sistemas difusos y con algoritmos genéticos.Estado del arte2 HRS3 HRSEl alumno indagará y valorará el estado del arte de las redes neuronalesAv. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍASDIVISIÓN DE ELECTRÓNICA Y COMPUTACIÓNCRITERIOS DE EVALUACIÓN60% por las calificaciones obtenidas en las prácticas realizadas30% por las calificaciones obtenidas en dos exámenes parciales10% de puntos adquiridos por el cumplimiento de investigaciones y actividadesBIBLIOGRAFIALanzarini, L. C., Hasperué, W., Estrebou, C., Ronchetti, F., Villa Monte, A., Aquino, G., . & JimboSantana, P. (2015, May). Redes neuronales artificiales. In XVII Workshop de Investigadores en Cienciasde la Computación (Salta, 2015).Haykin, S., & Network, N. (2004). A comprehensive foundation. Neural Networks, 2(2004).Sanchez, E. N., & Alanis, A. Y. (2006). Redes neuronales: conceptos fundamentales y aplicaciones acontrol automático. Cinvestav Unidad Guadalara. Editorial Prentice Hall.Haykin, S. S., Haykin, S. S., Haykin, S. S., & Haykin, S. S. (2009). Neural networks and learningmachines (Vol. 3). Upper Saddle River, NJ, USA:: Pearson.Bishop, C. (2007). Pattern Recognition and Machine Learning (Information Science andStatistics).REVISIÓN REALIZADA POR:NOMBRE DEL PROFESORAlma Yolanda Alanís GarcíaNancy Guadalupe Arana DanielJosé de Jesús Hernández BarragánCarlos Alberto Villaseñor PadillaMaria Isabel Cibrián DecenaVo.Bo. Presidente de AcademiaM.C. José de Jesús Hernández BarragánFIRMAV o.Bo. Jefe del D e partam e ntoDr. Carlos Alberto López FrancoLunes, 12 de diciembre de 2016Av. Revolución No. 1500, Módulo O, Planta Baja, S.R. C.P. 44840, Guadalajara, Jal., México. Tel/Fax (33) 1378 5900 ext. 7732http://dcc.cucei.udg.mx/

Aplicados A Redes Neuronales 2 HRS E la umn otiliz rá eí dg f s ien p RNA 3.4 Arquitecturas Neuronales 2 HRS E laum nor ecá sd i tp q neu 3.5 Generalidades de las redes neuronales artificiales 2 HRS E lau mn o señ rá ven tj y li ic ne de RNA MODULO 4. PRIMERAS REDES NEURONALES 10