Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

Facultad de Ciencias

Mster Universitario en Matemticas y Computacin ( Optativa )

GUA DOCENTE DE LA ASIGNATURA

M1519

- Redes Neuronales

Curso Acadmico 2013-2014

Pgina 1

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA

Ttulo/s

Mster Universitario en Matemticas y Computacin ( Optativa )

Centro

Facultad de Ciencias

Mdulo / materia

INTELIGENCIA COMPUTACIONAL

Cdigo y
denominacin
Crditos ECTS

M1519

Curso /
Cuatrimestre

CUATRIMESTRAL (2)

- Redes Neuronales

Web
Idioma de
imparticin

Espaol

Forma de
imparticin

Presencial

Departamento

DPTO. MATEMATICA APLICADA Y CIENCIAS DE LA COMPUTACION

Profesor
responsable

JOSE LUIS CRESPO FIDALGO

E-mail

luis.crespo@unican.es

Nmero despacho

E.T.S.I. Industriales y Telecomunicacin. Planta: - 5. DESPACHO (S5022)

Otros profesores

2. CONOCIMIENTOS PREVIOS

Programacin
Uso de entornos de clculo cientfico/tcnico tipo Matlab, Scilab, Octave o similar

Pgina 2

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

3. COMPETENCIAS GENRICAS Y ESPECFICAS DEL PLAN DE ESTUDIOS TRABAJADAS EN LA ASIGNATURA

Competencias Genricas

Nivel

Anlisis e interpretacin de informacin y resultados.

Conocimiento actualizado de las reas ms activas en mbitos relacionados con Matemticas, Computacin o
la interaccin de ambas

Capacidad cientfica y tcnica para la incorporacin, en su caso, como profesional en el mundo de la empresa,
con especial capacitacin para empresas que requieran conocimientos y destreza en Matemticas,
Computacin o ambas simultneamente.

Capacidad para manejar las principales tcnicas de computacin cientfica

Conocer los principales mtodos de anlisis de datos y ser capaz de aplicarlos de forma adecuada para el
anlisis y la modelizacin de diferentes problemas prcticos
Competencias Especficas

3
Nivel
2

Conocer resultados avanzados y conocer y comprender problemas abiertos de Matemticas y/o Computacin
para su iniciacin a la investigacin.
Competencias Bsicas

Nivel

Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o
aplicacin de ideas, a menudo en un contexto de investigacin

Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolucin de problemas en
entornos nuevos o poco conocidos dentro de contextos ms amplios (o multidisciplinares) relacionados con su
rea de estudio
Competencias Transversales

Nivel

Elaboracin de conclusiones.

3.1 RESULTADOS DE APRENDIZAJE DE LA ASIGNATURA

- - Conocimiento bsico de las tcnicas de modelizacin y aprendizaje con redes neuronales, y las conexiones con otro
tipo de tcnicas ms estndar de la estadstica, optimizacin, etc.
- Escoger los algoritmos ms eficientes para la implementacin de estos modelos.
- Aplicar estas tcnicas en problemas reales y no slo en ejemplos acadmicos.
- Decidir con criterio el tipo de red ms apropiado en cada caso que se les pueda presentar en el futuro en problemas
reales.

4. OBJETIVOS DE LA ASIGNATURA

Ilustrar la aplicacin de estas tcnicas en problemas reales y no slo en ejemplos acadmicos.

Transmitir a los alumnos experiencia sobre la conveniencia y eficiencia de los distintos mtodos en diversas aplicaciones.
Introducir al alumno en las tcnicas modernas de modelizacin y aprendizaje con redes neuronales, y mostrar las
conexiones con otro tipo de tcnicas ms estndar de la estadstica, optimizacin, etc.
Describir los algoritmos ms eficientes para la implementacin de estos modelos.

Pgina 3

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

5. MODALIDADES ORGANIZATIVAS Y MTODOS DOCENTES

ACTIVIDADES

HORAS DE LA ASIGNATURA
ACTIVIDADES PRESENCIALES

HORAS DE CLASE (A)

10

- Teora (TE)
- Prcticas en Aula (PA)

20

- Prcticas de Laboratorio (PL)

- Horas Clnicas (CL)
Subtotal horas de clase

30

ACTIVIDADES DE SEGUIMIENTO (B)

- Tutoras (TU)

- Evaluacin (EV)

Subtotal actividades de seguimiento

2
32

Total actividades presenciales (A+B)

ACTIVIDADES NO PRESENCIALES
Trabajo en grupo (TG)

23

Trabajo autnomo (TA)

20

Tutoras No Presenciales (TU-NP)

Evaluacin No Presencial (EV-NP)
Total actividades no presenciales

43

HORAS TOTALES

75

Pgina 4

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

6. ORGANIZACIN DOCENTE DE LA ASIGNATURA

CONTENIDOS

TE

PA

PL

CL

TU

EV

TG

TA

TUNP

EVNP

Semana

Uso de redes neuronales habituales

3,00

0,00

8,00

0,00

0,50

0,50

6,00

8,00

0.00

0.00

Consideraciones de aplicaciones especficas

3,00

0,00

7,00

0,00

0,25

0,25

6,00

7,00

0.00

0.00

Lneas de investigacin

4,00

0,00

5,00

0,00

0,25

0,25

11,00

5,00

0.00

0.00

0,00 20,00

0,00

1,00

1,00 23,00 20,00

0.00

0.00

10,00

TOTAL DE HORAS

Esta organizacin tiene carcter orientativo.

TE

Horas de teora

PA

Horas de prcticas en aula

PL

Horas de prcticas de laboratorio

CL

Horas Clnicas

TU

Horas de tutora

EV

Horas de evaluacin

TG

Horas de trabajo en grupo

TA

Horas de trabajo autnomo

TU-NP Tutoras No Presenciales

EV-NP Evaluacin No Presencial

7. MTODOS DE LA EVALUACIN

Descripcin

Tipologa

Eval. Final

Recuper.

Implementacin de redes neuronales, incluyendo

cuestiones del trabajo

Evaluacin en laboratorio

No

70,00

No

30,00

Calif. mnima

5,00

Duracin
Fecha realizacin

Al final del curso, posterior al trabajo

Condiciones recuperacin
Observaciones

Caso de implementacin de redes neuronales

Calif. mnima

Trabajo

0,00

Duracin
Fecha realizacin

Al final del curso

Condiciones recuperacin
Observaciones

TOTAL

100,00

Observaciones
Observaciones para alumnos a tiempo parcial

Pgina 5

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

8. BIBLIOGRAFIA

BSICA
Redes neuronales artificiales
A. J. Serrano, E. Soria, J. D. Martn
Escuela Tcnica Superior de Ingeniera, Universidad de Valencia
(Open Courseware)
REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES
Xabier Basogain Olabe
Escuela Superior de Ingeniera de Bilbao, EHU
(Open Courseware)
Artificial Neural Networks
http://en.wikibooks.org/wiki/Artificial_Neural_Networks
(En construccin a fecha 8/5/2013)
SPSS Neural Networks 17.0
SPSS Inc.
neuralnet: Training of Neural Networks
Frauke Gnther and Stefan Fritsch
The R Journal Vol. 2/1, June 2010
Complementaria
Statistical methods versus neural networks in transportation research: Differences, similarities and some insights
M.G. Karlaftis ?, E.I. Vlahogianni
Transportation Research Part C 19 (2011) 387399
Neural networks and statistical techniques: A review of applications
Mukta Paliwal, Usha A. Kumar
Expert Systems with Applications 36 (2009) 217
Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances
Abbas Khosravi, Saeid Nahavandi, Doug Creighton, and Amir F. Atiya
IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 22, NO. 9, SEPTEMBER 2011
Review of input determination techniques for neural network models based on mutual information and genetic algorithms
Maria Paula da Costa Couto
Neural Comput & Applic (2009) 18:891901
Deep Learning for Time Series Modeling
Enzo Busseti, Ian Osband, Scott Wong
CS 229 Final Project Report
Artificial neural networks in hardware: A survey of two decades of progress
Janardan Misra a,, Indranil Saha
Neurocomputing 74 (2010) 239255

9. SOFTWARE

PROGRAMA / APLICACIN

CENTRO

PLANTA

SALA

HORARIO

Matlab o equivalente

Caminos

-1

Doctorado
Dpto. Mat.
Aplic,

2
cuatrimest
re

Pgina 6

Vicerrectorado de Ordenacin Acadmica

Facultad de Ciencias

10. COMPETENCIAS LINGSTICAS

Comprensin escrita
Comprensin oral
Expresin escrita
Expresin oral
Asignatura ntegramente desarrollada en ingls
Observaciones

Pgina 7