Reconocimiento de Patrones
Diagrama de temas
-
Reconocimiento de Patrones
Objetivos:
En el curso se verán los principales conceptos teóricos y algoritmos clásicos utilizados al resolver problemas de reconocimento de patrones a partir de datos sensoriales y se propondrá su aplicación a problemas prácticos concretos.
Temario reducido:
- Tema 1: Introducción
- Tema 2: Reconocimiento Estadístico de Patrones
- Tema 3: Técnicas de clasificación no paramétricas
- Tema 4: Selección y extracción de características
- Tema 5: Funciones discriminantes lineales, SVM
- Tema 6: Redes neuronales multicapas
- Tema 7: Aprendizaje no supervisado y agrupamiento
- Tema 8: Combinación de clasificadores
- Tema 9: Big Data Analisis
Información general del curso 2018
Horarios y salón de clase
- Martes y Jueves de 8:15 hs a 10:00 hs, Desarrollo de Software- Planta Baja IIE
Conocimientos previos:
- Cálculo diferencial e integral 1, 2 y 3.
- Probabilidad y estadística
Ganancia del curso
Se realizarán 3 entregas de ejercicios durante el curso y un trabajo final. El estudiante deberá entregar todos los ejercicios y realizar el trabajo final.
- Entregas de ejercicios: Durante el curso se presentarán 3 hojas de ejercicios, que deben ser resueltos y entregados en el plazo estipulado (ver fechas de entrega). El puntaje mínimo de aprobación de cada hoja es el 50% del total (5 puntos sobre 10). Se penalizará las entregas tardías con la quita de un punto por día de atraso.
- Entrega de respuesta a preguntas teóricas
- Trabajo final: Cada estudiante realizará un trabajo final sobre algún tema vinculado al curso. El trabajo consistirá en una monografía con la documentación de lo estudiado, programas implementados y una presentación.
CronogramaLos foros requieren inscripción. En el foro de novedades se darán todos los avisos relevantes del curso. El foro de consultas puede servir para evacuar dudas de los ejercicios prácticos.
Consultas y horas de oficina
Consultas: jueves 10:00 hs, salón de medidas eléctricas del IIE.
Alicia Fernández: oficina 1123.Pablo Musé: oficina 1122
Pablo Cancela: oficina 1215.
Guillermo Carbajal: oficina 1217.
Sergio Martinez: oficina 1217.
-
Enviar retroalimentación
-
-
Introducción
- Que es el reconocimiento de patrones?
- Análisis de un ejemplo de un sistema de reconocimiento de patrones
- Diagrama de bloques de un sistema de R.Patrones
- El ciclo de diseño
- Aprendizaje y adaptación
- Aprendizaje supervisado
- Aprendizaje no supervisado
- Distintos Enfoques o Modelos
-
Métodos de clasificación sin métrica
- Árboles de Decisión
- Árboles de Decisión
-
Selección y extracción de características
- Selección de características
- Búsqueda exhaustiva
- Búsqueda Branch and Bound
- Mejores características individuales
- Búsqueda hacia delante secuencial
- Búsqueda hacia atrás secuencial
- Extracción de características
- Análisis de componentes y discriminantes
- Análisis de componentes principales
-
Reconocimiento Estadístico de Patrones
- Modos de operación: Entrenamiento, Clasificación
- Teoría de Decisión Bayesiana
- Clasificación con la mínima tasa de error
- Clasificadores, funciones discriminantes, superficies de decisión
- Densidad normal
- Estimación paramétrica de densidades
- Máxima verosimilitud
- Estimación Bayesiana
-
Técnicas de clasificación no paramétricas
- Introducción
- Estimación no paramétrica de función densidad
- Estimadores por ventanas de Parzen
- Estimación mediante k vecinos más cercanos
- Regla de decisión de los vecinos más próximos
- Edición del conjunto de entrenamiento
- Condensado
- Métodos de aprendizaje adaptivo
-
Clasificación mediante modelos lineales
Funciones Discriminantes- Discriminantes lineales
- Discriminantes lineales generalizados
- Modelos y métodos para el aprendizaje de los parámetros de los discriminantes: mínimos cuadrados, discriminante de Fisher, Perceptrón.
-
Support Vector Machines
-
Support Vector Machines: principio, definición del criterio, y deducción (optimizacíon) del hiperplano y los vectores de soporte.
-
-
Redes neuronales multicapas
- Fordward- Operación y clasificación
- Backpropagation
- Algoritmo
- Teoría de Bayes y probabilidad
- Técnicas prácticas de mejora
- Regularización, ajuste de complejidad y podado.
-
Aprendizaje no supervisado y agrupamiento
- Aprendizaje no supervisado
- Mezcla de densidades e identificabilidad
- Estimación de verosimilitudes
- Aplicación a mezclas normales
- Vectores de medias desconocidos
- Cuando los parámetros no son conocidos
- Aprendizaje Bayesiano no supervisado
- Agrupamiento
- Descripción de los datos
- Funciones criterio
- Optimización iterativa
- Agrupamiento jerárquico
- Agrupamiento K-medias
- Agrupamiento secuencial
- El problema de la validación
- Aprendizaje no supervisado
-
Combinación de clasificadores
- Estimación y comparación de clasificadores
- Combinación de clasificadores
- Selección de clasificadores
-
Otros temas
- Selección y validación de modelos (o parámetros): capítulo 7 del libro de Hastie-Tibshirani-Friedman. En particular la sección 7.10 sobre validación cruzada.
- Desbalance de clases: ver artículos adjuntos
-
Práctico
-
Trabajo final
Calendario oficial
5/9 - Consultas al final de la clase de teórico para propuestas de proyecto del curso.
12/9 - Entrega de propuestas de proyecto del curso.
Domingo 9/12 - Entrega del informe del trabajo final.
Jueves 13/12 - Defensas trabajo final.
Material