MODALIDAD NO PRESENCIAL SÍLABO POR COMPETENCIAS CURSO:

(1)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₁

MODALIDAD NO PRESENCIAL

SÍLABO POR COMPETENCIAS

CURSO:

Redes Neuronales

UNIVERSIDAD NACIONAL

“JOSÉ FAUSTINO SÁNCHEZ CARRIÓN”

VICERRECTORADO ACADÉMICO

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC

FACULTAD DE INGENIERÍA INDUSTRIAL, SISTEMAS E

INFORMÁTICA

ESCUELA PROFESIONAL DE INGENIERIA INFORMATICA

I. DATOS GENERALES

Línea de Carrera Cursos Complementarios Especializados Semestre Académico 2020 - I

Código del Curso

3305457

Créditos 03

Horas Semanales Hrs. Totales: 4 Teóricas: 2 Practicas: 2

Ciclo VIII

Sección A

Apellidos y Nombres del

Docente CHINGA RAMOS CARLOS ENRIQUE

Correo Institucional [email protected]

(2)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₂ II. SUMILLA

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 adaptativos. El modelo ECC; una simple red neural auto asociativa no lineal. Cómputos asociativos.

III. CAPACIDADES AL FINALIZAR EL CURSO

CAPACIDAD DE LA UNIDAD DIDÁCTICA NOMBRE DE LA UNIDAD _DIDÁCTICA SEMANAS

U N ID A D I

Aplica los conceptos y técnicas de las Redes

Neuronales _{INTELIGENCIA Y} APRENDIZAJE 1-4 U N ID A D II

Aplica las diferentes técnicas de las redes

Neuronales FUNDAMENTOS DE NEURONALES 5-8 U N ID A D III

Aplicar algunos de los principales modelos de RNAs con Entrenamiento Supervisado, a diversos problemas TIPOS DE REDES NEURONALES MAS USADOS 9-12 U N ID A D IV

Aplicar los conocimientos a Proyectos. _PROYECTOS

13-16

IV. INDICADORES DE CAPACIDADES AL FINALIZAR EL CURSO

N° INDICADORES DE CAPACIDAD AL FINALIZAR EL CURSO

1 Identifica los elementos y la importancia de Machine Learning. 2 Identifica los elementos y la importancia de Árbol Binario. 3 Desarrolla aplicaciones haciendo uso de Algoritmos Geneticos 4 Desarrolla aplicaciones haciendo uso de Proyecto ML

5 Identifica los elementos y la importancia de Tensor Flow.

6 Desarrolla aplicaciones haciendo uso de Clasificación y regresión. 7 Identifica los elementos y la importancia de Redes Neuronales. 8 Desarrolla aplicaciones haciendo uso de Proyecto con RN.

(3)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₃ 9 Desarrolla aplicaciones haciendo uso de ML5

10 Desarrolla aplicaciones haciendo uso de Redes Neuronales Convolucionales

11 Desarrolla aplicaciones haciendo uso de Redes Neuronales Recursivas

12 Desarrolla aplicaciones haciendo uso de Proyecto con ML5. 13 Desarrolla aplicaciones haciendo uso de Proyecto Integral 1 14 Desarrolla aplicaciones haciendo uso de Proyecto Integral 2 15 Desarrolla aplicaciones haciendo uso de Proyecto Integral 3 16 Desarrolla aplicaciones haciendo uso de Proyecto Integral 4

(4)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₄ V. DESARROLLO DE LAS UNIDADES DIDÁCTICAS:

U N ID A D D ID Á C TI C A I:

CAPACIDAD DE LA UNIDAD DIDÁCTICA I:

SEMANA CONTENIDOS _{ENSEÑANZA VIRTUAL}ESTRATEGIAS DE LA

INDICADORES DE LOGRO DE LA

CAPACIDAD

CONCEPTUAL PROCEDIMENTAL ACTITUDINAL

1

2

3

4

Introducción al Machine Learning P5.

Árbol Binario, búsqueda en amplitud.

Algoritmos Genéticos, diseño evolutivo.

Proyecto de ML

Elabora aplicación haciendo uso de la P5.

Elabora aplicaciones con Árbol Binario

Elabora aplicaciones con Algoritmos Genéticos

Elabora, analiza un caso aplicativo

Discute en equipo los aspectos de P5

Reflexiona acerca del Árbol Binario

Reflexiona acerca de los Algoritmos Genéticos

Valora el uso de la Machine Learning

Expositiva (Docente/Alumno)

 Uso del Google Meet

Debate dirigido (Discusiones)  Foros, Chat Lecturas  Uso de repositorios digitales

Lluvia de ideas (Saberes previos)

 Foros, Chat

Aplica los principios de ML.

Aplica los principios del Árbol Binario.

Aplica los principios de los Algoritmos Genéticos.

Discute los resultados del Proyecto de ML.

EVALUACIÓN DE LA UNIDAD DIDÁCTICA

EVIDENCIA DE CONOCIMIENTOS EVIDENCIA DE PRODUCTO EVIDENCIA DE DESEMPEÑO

 Estudios de Casos

 Cuestionarios

 Trabajos individuales y/o grupales

 Soluciones a Ejercicios propuestos

(5)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₅ U N ID A D D ID Á C TI C A II :

CAPACIDAD DE LA UNIDAD DIDÁCTICA II:

SEMANA CONTENIDOS ESTRATEGIAS DE LA

ENSEÑANZA VIRTUAL

CAPACIDAD

1

2

3

4

Introducción a las Redes Neuronales. Tensor Flow.

Clasificación y regresión.

Aprendiz. automático y Supervisad

Redes Neuronales. Perceptron. Multicapa y Backpropagation

Proyecto con Tensor Flow

Elabora aplicación haciendo uso de Tensor Flow.

Elabora aplicaciones de regresión y clasificación

Elabora aplicaciones perceptron multicapa

Valora el uso de las Redes Neuronales

Reflexiona acerca de la regresión y clasificación

Reflexiona acerca del perceptron multicapa

Valora el uso de los proyectos con TensorFlow

 Foros, Chat

Aplica los principios de las Redes Neuronales

Aplica los principios de la regresión y clasificación.

Aplica los principios del perceptron multicapa.

Discute los resultados del Proyecto con TensorFlow

 Cuestionarios

(6)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₆ U N ID A D D ID Á C TI C A II I:

CAPACIDAD DE LA UNIDAD DIDÁCTICA III:

CAPACIDAD

1 2 3 4 Introducción al ML5 Redes Neuronales Convolucionales.

Redes Neuronales Recursivas

Proyecto con ML5

Elabora aplicación haciendo uso de ML5.

Elabora aplicaciones con RN Convolucionales

Elabora aplicaciones con RN Recursivas

Valora el uso de ML5

Reflexiona acerca de las RN Convolucionales Reflexiona acerca de las RN Recursivas

Valora el uso de ML5 en las aplicaciones

 Foros, Chat

Aplica los principios ML5.

Aplica los principios de los RN Convolucionales. Aplica los principios de las RN Recursivas

Discute los resultados del Proyecto con ML5

 Cuestionarios

(7)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₇ U N ID A D D ID Á C TI C A IV:

CAPACIDAD DE LA UNIDAD DIDÁCTICA IV:

CAPACIDAD

1 2 3 4 Proyecto Parte I de RN. Proyecto Parte II de RN.

Proyecto Parte III de RN

Proyecto Final de RN

Elabora la Parte I de RN.

Elabora la Parte II de RN

Elabora la Parte III de RN

Presentación y exposición del Proyecto FINAL de RN

Valora el uso de las RN

 Foros, Chat

Aplica los principios de las RN.

Discute los resultados del Proyecto Final de RN

 Cuestionarios

(8)

SYLLABUS PARA CLASES VIRTUALES EN LA FIISI - UNJFSC ₈ VI. MATERIALES EDUCATIVOS Y OTROS RECURSOS DIDÁCTICOS

Se utilizarán todos los materiales y recursos requeridos de acuerdo a la naturaleza de los temas programados. Básicamente serán:

1. MEDIOS Y PLATAFORMAS VIRTUALES  Casos prácticos  Pizarra interactiva  Google Meet  Repositorios de datos 2. MEDIOS INFORMATICOS:  Computadora  Tablet  Celulares  Internet.

(9)

SYLLABUS PARA CLASES VIRTUALES EN LA FIIS-UNJFSC ₉ VII. EVALUACIÓN:

La Evaluación es inherente al proceso de enseñanza aprendizaje y será continua y permanente. Los criterios de evaluación son de conocimiento, de desempeño y de producto.

1. Evidencias de Conocimiento.

La Evaluación será a través de pruebas escritas y orales para el análisis y autoevaluación. En cuanto al primer caso, medir la competencia a nivel interpretativo, argumentativo y propositivo, para ello debemos ver como identifica (describe, ejemplifica, relaciona, reconoce, explica, etc.); y la forma en que argumenta (plantea una afirmación, describe las refutaciones en contra de dicha afirmación, expone sus argumentos contra las refutaciones y llega a conclusiones) y la forma en que propone a través de establecer estrategias, valoraciones, generalizaciones, formulación de hipótesis, respuesta a situaciones, etc.

En cuanto a la autoevaluación permite que el estudiante reconozca sus debilidades y fortalezas para corregir o mejorar.

Las evaluaciones de este nivel serán de respuestas simples y otras con preguntas abiertas para su argumentación.

2. Evidencia de Desempeño.

Esta evidencia pone en acción recursos cognitivos, recursos procedimentales y recursos afectivos; todo ello en una integración que evidencia un saber hacer reflexivo; en tanto, se puede verbalizar lo que se hace, fundamentar teóricamente la práctica y evidenciar un pensamiento estratégico, dado en la observación en torno a cómo se actúa en situaciones impredecibles.

La evaluación de desempeño se evalúa ponderando como el estudiante se hace investigador aplicando los procedimientos y técnicas en el desarrollo de las clases a través de su asistencia y participación asertiva.

3. Evidencia de Producto.

Están implicadas en las finalidades de la competencia, por tanto, no es simplemente la entrega del producto, sino que tiene que ver con el campo de acción y los requerimientos del contexto de aplicación.

La evaluación de producto de evidencia en la entrega oportuna de sus trabajos parciales y el trabajo final.

Además, se tendrá en cuenta la asistencia como componente del desempeño, el 30% de inasistencia inhabilita el derecho a la evaluación.

VARIABLES PONDERACIONES UNIDADES DIDÁCTICAS

DENOMINADAS MÓDULOS Evaluación de Conocimiento 30 %

El ciclo académico comprende 4

Evaluación de Producto 35%

Evaluación de Desempeño 35 %

Siendo el promedio final (PF), el promedio simple de los promedios ponderados de cada módulo (PM1, PM2, PM3, PM4)

𝑃𝐹 = 𝑃𝑀1 + 𝑃𝑀2 + 𝑃𝑀3 + 𝑃𝑀4 4

(10)

SYLLABUS PARA CLASES VIRTUALES EN LA FIIS-UNJFSC ₁₀

VIII. BIBLIOGRAFÍA

8.1. Fuentes Bibliográficas

 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

8.2. Fuentes Electrónicas

 http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/

 https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning

Huacho, Julio del 2020

Universidad Nacional

“José Faustino Sánchez Carrión”

………..

Chinga Ramos Carlos Enrique DCU986