La primera parte del curso Machine Learning Basics de la IV Mexican AstroCosmoStatistics School (MACS) consiste en un curso básico y breve sobre Redes Neuronales Artificiales.
Fecha: Lunes 28 de junio de 2021.
Hora: 12:00-13:40.
Instructores: José Alberto Vázquez (ICF-UNAM) e Isidro Gómez-Vargas (ICF-UNAM)
Colaborador: Juan de Dios Rojas Olvera (Facultad de Ciencias, UNAM)
Duración: 70 min + 30 min de preguntas o ejercicios. El mini-curso se divide en tres secciones de 20 min y media hora de práctica.
- Una computadora e Internet.
- Una cuenta de Google.
Para evitar instalación de librerías se recomienda Google Colab, el cual es un servicio gratuito de Google para ejecutar notebooks en la nube, permitiendo utilizar Python 2 o Python 3 con CPU, GPU y TPU. Solo es necesario tener una cuenta de Google. Para este mini-curso se requiere entorno de ejecución Python 3.
Desde Google Colab puedes buscar este repositorio, abrirlo y hacer una copia en tu Google Drive para poder guardar tus cambios. También puedes clonar o descargar el repositorio y abrir las notebooks desde Google Colab.
Se recomienda descargar, clonar o acceder al repositorio el día del evento para tener la versión final.
-
12:00-12:10. Introducción
-
12:10-12:30. Primeras neuronas artificiales (Notebook 1).
-
12:30-12:50. Red neuronal con diferentes funciones de activacion y propagación de errores hacia atrás (backpropagation). (Notebook 2).
-
12:50-13:10. Redes neuronales con múltiples capas (Notebook 3).
-
13:10-13:40. Sesión de preguntas o trabajar algún ejercicio en grupo. Por votación, se trabajará en alguno de los ejercicios opcionales en la parte final del mini-curso:
- Compuertas lógicas (Notebook 1).
- Clasificación lineal (Notebook 1).
- Aproximar función con red neuronal de una capa (Notebook 2).
- Aprender funciones con redes de múltiples capas y neuronas (Notebook 3).
- Reducir tiempos (Notebook 3).
- Modelar datos de Supernovas del tipo IA de la compilación JLA (Notebook 3).
- Clasificar estrellas, galaxias y cuásares del SDSS-DR14 (Notebook 1 y notebook 3).
-
Sección 1:
-
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
-
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological review, 65(6), 386.
-
https://jontysinai.github.io/jekyll/update/2017/09/24/the-mcp-neuron.html
-
https://sebastianraschka.com/Articles/2015_singlelayer_neurons.html
-
-
Sección 2:
-
Nielsen, M. A. (2015). Neural networks and deep learning (Vol. 25). San Francisco, CA: Determination press.
-
-
Sección 3:
-
Gómez-Vargas, I., Vázquez, J. A., Esquivel, R. M., & García-Salcedo, R. (2021). Cosmological Reconstructions with Artificial Neural Networks. arXiv preprint arXiv:2104.00595.
-
Gómez-Vargas, I., Esquivel, R. M., García-Salcedo, R., & Vázquez, J. A. (2021). Neural network within a Bayesian inference framework. In Journal of Physics: Conference Series (Vol. 1723, No. 1, p. 012022). IOP Publishing.
-
Vázquez, J. A., Esquivel, R. M., & Gómez-Vargas, I. (2021). Cosmologıa observacional con Redes Neuronales Artificiales. Esta edición fue preparada por el Instituto de Física y el Instituto de Ciencias Físicas de la UNAM., 89.