Redes que se Adaptan a la Dimensionalidad Intrínseca más allá del Dominio

Resumen

Explore la capacidad de las redes neuronales para adaptarse a la dimensionalidad intrínseca, centrándose en las redes ReLU que aproximan funciones con mapas de características que reducen la dimensionalidad. Obtén conocimientos sobre el aprendizaje de manifolds y el análisis de datos.

Programa de estudio

• Introducción a las redes neuronales y la dimensionalidad intrínseca
Panorama de las redes neuronales
Concepto de dimensionalidad intrínseca
Importancia en el aprendizaje profundo
• Redes ReLU y aproximación de funciones
Comprensión de las Unidades Lineales Rectificadas (ReLU)
Aproximación de funciones usando redes ReLU
Técnicas de reducción de dimensionalidad
• Mapas de características y reducción de dimensionalidad
Definición y papel de los mapas de características
Técnicas para la reducción de dimensionalidad en redes neuronales
Aplicación de mapas de características en redes ReLU
• Aprendizaje de variedades
Conceptos básicos del aprendizaje de variedades
Hipótesis de variedad en análisis de datos
Técnicas y algoritmos para aprender variedades
• Arquitecturas de redes adaptativas
Principios de diseño de redes adaptativas
Arquitecturas de redes que responden a la dimensionalidad intrínseca
Casos de estudio en diseño de redes adaptativas
• Temas avanzados en aprendizaje de variedades
Exploración de estructuras geométricas y topológicas
Avances recientes en métodos basados en variedades
Fundamentos teóricos e implementaciones prácticas
• Prácticas y sesiones prácticas
Implementación de redes ReLU para la reducción de dimensionalidad
Herramientas y bibliotecas para el aprendizaje de variedades
Proyecto: Construcción de una red neuronal adaptativa para datos del mundo real
• Conclusión y direcciones futuras
Resumen de conceptos clave
Tendencias actuales y direcciones de investigación
Problemas abiertos y oportunidades en el diseño de redes adaptativas

Asignaturas

Ciencia de Datos