Información administrativa
| Título | Redes neuronales |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Conferencia |
| Enfoque | Práctico — Modelado de IA |
| Tema | Modelado de IA |
Keywords
Red neuronal, retropropagación, optimización,
Objetivos de aprendizaje
- Los estudiantes entienden el arquitecto MLP
- Los estudiantes pueden construir redes neuronales con capas totalmente conectadas y varias funciones de activación
- Los alumnos entienden la idea básica de la retropropagación y los métodos basados en gradientes
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Revisión de álgebra lineal y cálculo vectorial.
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
Recomendado para profesores
- Familiarizarse con los materiales de demostración.
Material didáctico
Instrucciones para profesores
Cubra los temas en el esquema de la lección y demuestre los conceptos utilizando los cuadernos interactivos (forma de la función de pérdida w.r.t. diferentes regularizadores, algoritmos de optimización basados en gradientes). Proporcione una breve descripción general del código.
Esquema/horario de tiempo
| Duración (min) | Descripción | Conceptos |
|---|---|---|
| 5 | De la regresión logística al perceptrón | entrada, pesos, sesgo, función sigmoide |
| 10 | Multiplicaciones de perceptrón y matriz multicapa | capa de entrada, capa oculta, capa de salida |
| 20 | Derivación del sistema de retropropagación | descenso de gradiente, tasa de aprendizaje, retropropagación |
| 10 | Funciones de activación | ReLU, sigmoid, tanh, softmax etc. |
| 10 | Funciones de pérdida para clasificación y regresión | MSE, binaria y categórica entropía cruzada |
| 5 | Demostración |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».