Objetivos:

Introducción a las redes neuronales y sus aplicaciones. El contenido del curso se centra en desarrollar capacidades de entendimiento mas allá de simple modelado sobre el tema de redes neuronales artificiales, y el uso de neurociencia para entender sistemas que aprenden. Se compara tal situación con los emprendimientos tipo "caja negra" observados con redes neuronales convolucionales y deep learning. Se pretende introducir a los alumnos en la temática de modelado de redes neuronales tipo backpropagation, deep-learning y redes spiking y analizar los fundamentos biológicos y los problemas que conllevan cada uno de esos modelos. Se busca que los alumnos sean capaces de entender y desarrollar tales sistemas. Este curso, aunque de manera introductoria, pretende abordar también este tema, poniendo énfasis en el aprendizaje autoorganizado. Por último, se pretende introducir los conceptos básicos de neurociencia del sistema visual y su modelado, y del tipo cortical en procesos de vigilia vs no-vigilia.

Contenidos mínimos:

Conceptos del entendimiento desde la neurociencia de máquinas (sistemas) que aprenden. Aprendizaje automático. Google Colab usando Pyhton, Numpy, PyPlot, Keras, y TensorFlow. Clasificación con redes neuronales. Regresión y modelado neuronal. Redes convolucionales. Redes tipo Izhikievich.

Organización de los contenidos - Programa analítico:

1: Introducción al aprendizaje automático y Google Colab.

2: Introducción a Pyhton.

3: Bibliotecas esenciales de Python. Numpy, PyPlot.

4: Introducción a redes neuronales e implementación con Keras. Clasificación con redes neuronales.

5: Regresión y modelado neuronal. Redes convolucionales.

6: Redes tipo Izhikievich. Caso de estudio.