Professional Documents
Culture Documents
COMPUTACIONAL
APLICADA
Ing. Cesar Andrey Perdomo Charry
MSc.
Agenda
1.
Contenido de la Asignatura
2.
Evaluacin??
3.
4.
5.
Taller
Contenido de la Asignatura
La Inteligencia Computacional (IC) es un sucesor de la
inteligencia artificial. Se basa en algoritmos heursticos,
como en los sistemas difusos, redes neuronales y
computacin
evolutiva.
Adems,
la
inteligencia computacional que tambin abarca las
tcnicas que utilizan la inteligencia de enjambre, los
fractales
y la teora del caos, los
sistemas
inmunes artificiales, Wavelets, etc
Contenido de la Asignatura
Objetivo General
El objetivo principal es la introduccin a los
conceptos bsicos y las tcnicas de
SoftComputing Informticas, tales como la
Lgica Difusa, Redes Neuronales y la
Computacin Evolutiva. El curso presentar
tambin las ltimas novedades y aplicaciones
de SoftComputing en el rea de la
Contenido de la Asignatura
Introduccin
Redes Neuronales
Sistemas Difusos
Computacin Evolutiva
Sistemas Neurodifusos e Hibridos
Aplicaciones
de
Inteligencia
Computacional
Evaluacin??
Primera Nota (35%)
Taller I (5%)
Taller II (5%)
Taller III (5%)
Articulo I (20%)
Taller IV (5%)
Taller V (5%)
Taller VI (5%)
Articulo II (20%)
Evaluacin??
Articulo I
Estado del Arte
Articulo II
Aplicacin de
Paradigma de IC
para un problema
en el area
PROYECTO FINAL
Implementacion
Redes Neuronales
Mtodo de aprendizaje automtico basado en el
funcionamiento del cerebro.
Redes Neuronales
Modelo biolgico:
Modelo matemtico:
Redes Neuronales
Historia:
Redes Neuronales
Redes Neuronales
Aprendizaje de
comportamientos, eventos.
Seguimiento, seguridad,
etc..
Redes Neuronales
Simulacin del
movimiento de
objetos (juegos,
realidad virtual, etc..)
Redes Neuronales
Redes Neuronales
Reconocimiento de caras
Redes Neuronales
Aplicaciones Industriales
REDES NEURONALES
NEURONA ARTIFICIAL
Elementos:
Conjunto de entradas, xj
Pesos sinpticos, wi
Funcin de activacin:
w1x1+ w2x2 + ... + wnxn = a
a
y
Funcin de transferencia:
y = F (w1x1+ w2x2 + ... + wnxn )
NEURONA ARTIFICIAL
y=ka
Escaln: y = 0 si a<0; y=1 si a>=0
Sigmoide
Gaussiana.
a1
y1
a2
y2
an
yn