[Todos CMAT] Curso de Introducción al Reconocimiento de Patrones
Marco Scavino - IMERL
mscavino en fing.edu.uy
Dom Jul 25 01:16:11 UYT 2010
Estimados:
Les reenvío a continuación la información difundida por el Dr. Pablo Musé
sobre el curso “Introducción al Reconocimiento de Patrones” que empezará en
breve en el segundo semestre de 2010.
Saludos cordiales,
Marco Scavino
Introducción al 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 (4hs, A. Fernández)
* Tema 2: Reconocimiento Estadístico de Patrones (8
hs, P. Musé)
* Tema 3: Técnicas de clasificación no paramétricas
(6 hs, A. Fernández y M. Rocamora)
* Tema 4: Selección y extracción de características
(6 hs, M. Rocamora)
* Tema 5: Funciones discriminantes lineales, SVM (4
hs, P. Cancela)
* Tema 6: Redes neuronales multicapas (2 h, P.
Cancela)
* Tema 7: Aprendizaje no supervisado y agrupamiento
(6 hs, P. Musé)
* Tema 8: Combinación de clasificadores (2 hs, A.
Fernández)
Información general del curso 2009
Horarios y salón de clase
* Martes y Jueves de 10:00 hs a 12:00 hs,
Laboratorio de Software, IIE
Conocimientos previos:
* Cálculo diferencial e integral 1, 2 y 3.
* Probabilidad y estadística
Ganancia del curso
Se realizarán 5 entregas de ejercicios durante el curso y un trabajo final a
acordar con los docentes. El estudiante deberá entregar todos los ejercicios
y realizar el trabajo final.
Cronograma
<http://iie.fing.edu.uy/ense/asign/desasoft/cronograma/cronograma08Publico.p
df>
Inicio Martes 3 de agosto
*
1
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
2
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
*
3
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
* Árboles de decisión
4
Selección y extracción de características
* Extracción de características
* Análisis de componentes y
discriminantes
* Análisis de componentes
principales
* Análisis de componentes
principales no lineal
* Escalado multidimensional,
análisis de componentes independientes
* Selección de características
* Búsqueda exhaustiva
* Búsqueda Branch and Bound
* Mejores características
individuales
* Búsqueda hacia delante secuencial
* Búsqueda hacia atrás secuencial
5
Funciones discriminantes lineales
* Generalización
* Minimización de la función criterio perceptron
* Criterios de relajación
* Procedimientos de error cuadrático medio
6
Redes neuronales multicapas
* Fordward- Operación y clasificación
* Backpropagation
* Algoritmo
* Teoría de Bayes y probabilidad
* Técnicas prácticas de mejora
* Regularización, ajuste de
complejidad y podado.
7
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
Combinación de clasificadores
* Estimación y comparación de clasificadores
* Combinación de clasificadores, bagging y boosting
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://www.cmat.edu.uy/pipermail/todos/attachments/20100725/6ae72cac/attachment-0001.htm>
Más información sobre la lista de distribución Todos