Descripció
En aquest curs es tractaran tècniques estadístiques lineals i no lineals per la modelització de dades empíriques per mitjans de xarxes neurals, funcions de bases radials, tècniques de optimizaciò supervisades i no supervisades, i tècniques d'aprenentatge en teoria de la informació. Tambe s' introduiran conceptes bàsics de percepció

Objectius
L' estudiant ha d'aprendre els models i teoria bàsics per a representar una varietat de problemes relacionats amb aprenentatge i percepció

Temari

1) Models de aprenentatge supervisat:
Perceptrons simples:

Aproximació de funcions lineals (Xarxes neurals lineals: ADALINE) Classificació lineal (Perceptró clàssic)
Perceptrons no lineals:

Aproximació de funcions no lineals ( Perceptrons de varies capes, sigmoidals i polinomials)
Funcions de base radials

Aproximació de funcions de densitat

2) Models d'aprenentatge no supervisat:
Principal Component Analysis (PCA) Aprenentatge no supervisat (formulació estadística) Introducció a la teoria de la informació ICA (Independent Component Analysis): Lineal i no lineal

3) Models de Percepciò:
Neurodinamica.

Pràctiques
Implementació a l'ordinador de models de xarxes neurals.

Mètode d'avaluació
Examen 60%, treballs (de programació) 40%

Bibliografia bàsica
John Herz, a. Krogh und R. Palmer: Introduction to the Theory of neuronal Computation. Addison-Wesley Publishing Company.
S. Haykin: Neural Networks. A Comprehensive Foundations. Prentice Hall, Second Edition.
G. Deco: An Information-Theoretic Approaxh to Neural Computing. Springer Verlag.
E. Rolls and G. Deco: Computational Neuroscience of Vision. Oxford University Press.