Modelización con Redes Neuronales

Duración:

• 2 días.

Descripción:

• Este curso le permitirá comprender y aplicar dos algoritmos populares de las redes
  neuronales artificiales: los perceptrones multicapa y las redes de funciones de base
  radial. Se cubren los temas teóricos y prácticos del ajuste de las redes neuronales.
  Específicamente, este curso le enseña cómo seleccionar una arquitectura apropiada,
  cómo determinar el método de entrenamiento apropiado y cómo construir redes
  neuronales usando el procedimiento NEURAL.

Aprenda cómo:

• Construir redes neuronales de las clases perceptrón multicapa y funciones de base
  radial.
• Seleccionar una arquitectura y método de entrenamiento apropiados.
• Evitar el sobreajuste de las redes neuronales.
• Realizar un análisis autorregresivo de series temporales mediante redes neuronales.
• Interpretar modelos de redes neuronales.

Quiénes debieran asistir

• Analistas de negocios, analistas estadísticos y de data mining con buen conocimiento
  de métodos formales.

Prerrequisitos

• Tener una buena comprensión de los conceptos estadísticos básicos
• Tener conocimiento básico de programacion.
• Haber completado un curso de nivel universitario sobre Análisis Matemático.

Contenido

Introducción a las redes neuronales:

1. Uso del procedimiento NLIN para regresión no lineal.
2. Uso del procedimiento REG para regresión polinomial.
3. Uso del procedimiento GPLOT para regresión no paramétrica.

Algunas arquitecturas de las redes neuronales:

1. Construcción de perceptrones multicapa.
2. Construcción de redes de funciones de base radial.

Aprendizaje:

1. Teoría estadística de las funciones de error.
2. Ventajas y desventajas de los métodos de optimización numérica.
3. Evitación de mínimos locales inferiores.

Proc NEURAL:

1. Selección de variables predictoras usando interpretación de los pesos.
2. Selección de variables predictoras usando recorte basado en sensibilidad.

Redes híbridas:

1. Definición e ilustración del uso de una red neuronal de contrapropagación.
2. Definición de una red neuronal aditiva generalizada (GANN).
3. Ilustración del uso del paradigma GANN y comparación de su performance con
   otros métodos.
4. Definición e ilustración de cómo puede usarse un modelo subrogante para
   comprender las predicciones de una red neuronal.

Nodo AUTONEURAL:

1. Comparación de las arquitecturas autoneuronales.