JUAN SOSSA / FERNANDO REYES CORTES
Se estudia uno de los paradigmas más utilizados actualmente en la solución de problemas de clasificación y reconocimiento de patrones, la predicción de series de tiempo, el modelado de sistemas y la optimización, el paradigma relativo a las llamadas redes neuronales artificiales, que intentan simular la operación de las neuronas biológicas. Se analiza el perceptrón como máquina de procesamiento de información acomodado en capas. Se presentan los detalles sobre la derivación de la regla Delta generalizada, útil para el entrenamiento de arreglos de perceptrones en capas para la solución de problemas no lineales.
VENTAJAS
• Cada uno de los capítulos comienza enumerando los objetivos perseguidos y con una introducción que expone los antecedentes y describe la estructura lógica de los temas.
• A lo largo del contenido aparecen numerosos ejemplos que están desarrollados detalle a detalle.
• Al final de cada capítulo se encuentra un resumen y una serie de ejercicios propuestos.
• Cuenta con una completa bibliografía para consultar determinado tema de interés y un índice analítico útil para la localización puntual de conceptos de interés particular.
CONOZCA
• Las diferencias entre el cómputo inteligente y el cómputo tradicional.
• La historia y las diferentes categorías de la inteligencia artificial (IA).
• Qué es y cómo funciona el aprendizaje para máquinas (AM).
• Las arquitecturas básicas de redes neuronales más utilizadas en la literatura actual.
APRENDA
• A utilizar la regresión lineal para resolver problemas de predicción, en particular en el campo de la robótica.
• A realizar una clasificación de patrones mediante el método de discriminación lineal.
• A aplicar las técnicas básicas de filtrado relacionadas con el tratamiento y procesamiento digital de imágenes.
• A solucionar problemas de clasificación y reconocimiento de patrones, predicción de series de tiempo, modelado de sistemas y optimización mediante redes neuronales artificiales.
