Universidad Nacional
“José Faustino Sánchez Carrión”
FACULTAD DE INGENIERÍA INDUSTRIAL, SISTEMAS E INFORMÁTICA
SILABO
Asignatura: Redes Neuronales
1. Código : 353
2. Escuela Profesional : Ingeniería Informática
3. Departamento Académico : Ingeniería de Sistemas e Informática
4. Ciclo : VIII
5. Nro. de Créditos : Cuatro (4)
6. Plan de Estudios : 5
7. Condición : Obligatorio
8. Horas Semanales : 4 (2 teorías y 2 practicas)
9. Pre-requisito : Ningungo
10. Semestre Académico : 2019-II
11. Docente : Mg. Ing. Carlos Enrique Chinga Ramos
chinga_carlos@[Link]
II. Sumilla y descripción del curso:
Propiedades de las redes neuronales individuales, integración sináptica y modelos de
neuronas. Operaciones vectoriales esenciales. Inhibición lateral y procesamiento sensorial.
Operaciones sencillas de matrices. El asociador lineal; simulaciones. Primeros modelos de
redes. El perceptron. Algoritmos de descenso en gradiente. Representación de la información.
Aplicaciones de los asociadores sencillos; formación de conceptos y movimiento de objetos.
Energía y redes neuronales; redes de hopfield y máquinas de Boltzmann. Clasificadores del
vecino más cercano. Mapas adaptativas. El modelo ECC; una simple red neural auto
asociativa no lineal. Cómputos asociativos. Enseñándole aritmética a una red neural.
III. Capacidades al terminar el curso:
CAPACIDAD DE LA NOMBRE DE LA UNIDAD SEMANAS
UNIDAD DIDACTICA DIDACTICA
Aplica los conceptos y CONCEPTOS DE REDES 1,2,3,4
UNIDAD I
técnicas de las Redes NEURONALES
Neuronales
Aplica las diferentes técnicas PERCETRON MULTICAPA 5,6,7,8
UNIDAD IV UNIDAD III UNIDAD II
de las redes Neuronales
Aplicar algunos de los MODELO DE ENTRENAMIENTO 9,10,11,12
principales modelos de RNAs SUPERVISADO Y NO
con Entrenamiento SUPERVISADO
Supervisado, a diversos
problemas
Aplicar los conocimientos PROYECTO RNA 13,14,15,16
RNAs en Patrones de tipeo
IV. Desarrollo de las Unidades:
UNIDAD I: CONCEPTO DE REDES NEURONALES
PRIMERA SEMANA
Introducción a las Redes Neuronales
SEGUNDA SEMANA
Modelando una Red Neuronal
TERCERA SEMANA
Representación de problemas mediante Redes Neuronales Supervisadas. Perceptrón
Unicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje y
algoritmo.
CUARTA SEMANA
Evaluación
UNIDAD II: PERCETRON MULTICAPA
QUINTA SEMANA
Perceptrón Multicapa: funcionamiento básico, capacidad de representación, regla de
aprendizaje (Backpropagation) y algoritmo.
SEXTA SEMANA
Validación de redes Backpropagation. Criterios de parada. Sobreentrenamiento. Variantes
del algoritmo Backpropagation
SEPTIMA SEMANA
Aplicación de Percetron Multicapa
OCTAVA SEMANA
Evaluación
UNIDAD III: CRIPTOSISTEMAS ASIMÉTRICOS
NOVENA SEMANA
Redes neuronales auto-organizativas: características principales, tipos. Representación de
problemas usando redes no supervisadas. Red Kohonen de una capa: funcionamiento
básico, capacidad de representación, reglas de aprendizaje y algoritmo.
DECIMA SEMANA
Redes de Base Radial: funcionamiento básico, capacidad de representación, regla de
aprendizaje y algoritmo.
DECIMA PRIMERA SEMANA
Redes Recurrentes: características principales, tipos. Representación de problemas
usando redes recurrentes. Redes de Hopfield: funcionamiento básico, capacidad de
representación, regla de aprendizaje y algoritmo.
DECIMA SEGUNDA SEMANA
Evaluación
UNIDAD IV: APLICACIONES DE LA CRIPTOGRAFÍA
DÉCIMO TERCERA SEMANA
Proyecto I
DÉCIMO CUARTA SEMANA
Proyecto II
DÉCIMO QUINTA SEMANA
Proyecto III
DÉCIMO SEXTA SEMANA
Evaluación
VI. Evaluación:
1. Calificación
Sistema de calificación: Escala vigesimal (0-20)
2. Evaluación de los resultados de las unidades didácticas.
Evaluación mensual por cada unidad didáctica: Todas las unidades didácticas serán
evaluadas en las tres componentes con un puntaje del 0 al 20, obteniéndose tres (03)
notas:
ECn: Evaluación de Conocimientos WECn: Peso para la evaluación de Conocimiento=
0,30
EPn: Evaluación de Producto WPCn: Peso para la evaluación de Producto= 0,35
EDn: Evaluación de Desempeño WECn: Peso para la evaluación de conocimiento=
0,35
PMn: Promedio del Módulo PMn: Promedio del Módulo, con un decimal sin redondeo.
A las notas anteriores se les aplicarán los pesos indicados en la siguiente tabla:
UNIDA EVIDENCIA DE EVIDENCIA DE EVIDENCIA DE
DIDÁCTICA CONOCIMIENTOS PRODUCTO DESEMPEÑO
(30%) (35%) (35%)
I EC1 EP1 ED1
II EC2 EP2 ED2
III EC3 EP3 ED3
IV EC4 EP4 ED4
Promedio del Módulo PMn = (ECn x WECn + EPn x WPCn + EDn x WECn)
Donde el PROMEDIO FINAL: (PM1 + PM2 + PM3 + PM4)/4
VII. Bibliografía y Referencias Web
Redes Neuronales y Sistemas Difusos; B. Martín del Brío, A. Sanz Molina, Alfaomega
2002.
Inteligencia Artificial, cap. 19; S. Rusell y Peter Norving, Ed. Prentice Hall, 1996.
Redes Neuronales Artificiales. Fundamentos y Modelos; J. Hilera/ V. Martínez, Alfaomega
2000.
Redes Neuronales: Algoritmos, aplicaciones y técnicas de programación; J. Freeman, D.
Skapura Addisson - Wesley Iberoamericana 1993.
[Link] ; Enlaces para archivos
PDF del “Neural Networks User’s Guide”.
Ciudad Universitaria, agosto del 2019.
Mg. Ing. Carlos Enrique Chinga Ramos
