Presentaciones utilizadas

• Presentación "administrativa"
• Conceptos básicos
• Ideas de la realidad biológica: Esquema de equipo de células. Esquema de neurona "tipo" Vista microscópica filtrada. Otro ejemplo con más resolución (90 micrometros) . Modelo de superposición: (vídeo) (imagen)
• Introducción a las redes biológicas
• Ideas generales y ejemplos
• Ideas afines entre estadística y redes neuronales, y flujo de trabajo de creación de una red
• Tipos principales de redes
• Aprendizaje y generalización (notas sobre ampliación de muestra)
• Redes profundas
• Evolución temporal
• Redes de atención y transformadoras
• Recorte de redes
• Uso de redes preentrenadas
• Selección de variables
• Selección de modelos

Programas

En el curso vamos a trabajar practicando con redes neuronales, para lo cual existen muchas posibilidades.

Pensando en la aplicación sería y profesional de las redes neuronales, en cuanto queremos darle potencia a nuestras redes nos encontramos con problemas de rendimiento: necesitamos más velocidad. Una solución es contratar máquinas virtuales, o trabajar con un cluster, o supercomputadores, otra posibilidad son las GPUs.

Si puedes arreglarte con algo de esto, es preferible, porque no tienes que programarlo todo desde cero. Últimamente está de moda el ecosistema del lenguaje de programación Python. Dentro de este ecosistema hay varias API posibles; las dos más populares son Tensorflow y Pytorch

Aunque tú puedas utilizar la que creas oportuna, por motivos en parte históricos y en parte pedagógicos, en el curso se ofrecen materiales pensados para pyTorch, que es un paquete sobre Python. A lo largo de las prácticas prepararemos ficheros para cada caso, pero apoyados sobre funciones genéricas de un pequeño paquete específico para este curso. Los programas lo utilizan directamente sin descargarlo, pero si te interesa, lo tienes en este comprimido, que puedes descomprimir en la carpeta en la que vayas a trabajar. Entonces, se ofrecen varias posibilidades de trabajo:

• Trabajo con entorno Python local que prefieras. Para análisis de variables, esos programas utilizan a veces otros paquetes de Python, por lo que te saldrán errores si no los tienes instalados, lo cual es normal, porque son paquetes muy específicos.
• Trabajar en un entorno con todos los paquetes especificados de antemano: siguiendo estas instrucciones.

Prácticas a ir trabajando

1. Introducción
2. Problema de reconocimiento/clasificación
3. Análisis
4. Ajuste y generalización: Guión
5. Redes profundas
6. Caso "realista" grande
7. Variantes de redes convolutivas
8. Ejemplo de procesado de lenguaje natural
9. Series temporales
10. Aprovechamiento de redes preexistentes
11. Selección de variables (Fichero con datos de 100 y 100 muestras de espectro de 10000 puntos) Guión
12. Selección de modelos: Guión
    Para hacer la parte de agrupamiento sin redes puedes usar la siguiente guía para Python/Scipy (Pytorch)
13. Competitivas: Guión
14. Redes de respuesta radial: Guión

Todo este material está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional