El objetivo fundamental de esta asignatura es proporcionar a los alumnos unos sólidos cono-cimientos en técnicas de reconocimiento de patrones y técnicas de optimización, que sirvan de soporte y aplicación a un amplio conjunto de disciplinas científicas y técnicas.
Más concretamente, las competencias que se pretenden desarrollar entre los alumnos de la asignatura pueden describirse del siguiente modo:
1. Aplicar las técnicas de clasificación automática e inferencia para la toma de decisiones, la extracción de información y el diseño de sistemas complejos.
2. Elaborar conclusiones a partir de datos experimentales, independiente del campo de aplicación.
3. Optimizar clasificadores, siendo de interés destacar la relación entre la elección de las funciones de densidad componentes, el número de parámetros a estimar que implica dicha elección y la cantidad de datos disponibles para una tarea, selección de características relevantes y de reducción de dimensión de los vectores experimentales.
4. Valorar críticamente los resultados de los sistemas y seleccionar el mejor método de clasificación y aprendizaje de sus datos experimentales.
5. Aplicar técnicas de optimización basadas en métodos estocásticos, heurísticos y evolutivos.
6. Integrar en la gestión el conocimiento procedente de diferentes fuentes, de una manera óptima en función de la información incompleta disponible: estado del sistema, contexto temporal, multimodal y personal.
1. Introducción y metodología (0,2)
• Introducción al curso. Metodología de las clases y evaluación. Introducción al reconocimiento de patrones y clasificadores
2. Teoría de la decisión de Bayes (0,6)
• Clasificador óptimo de Bayes, Probablilidades a priori, Verosimilitudes y probabilidades a posteriori. Uso de costes en clasificación. Ejemplos de clasificadores para funciones densidad de probabilidad sencillas
3. Estimación paramétrica (0,6)
• Estimacíon de máxima verosimilitud (ML) y estimación Bayesiana (BL)
4. Estimación no paramétrica (0,6)
• Ventanas de Parzen. N vecinos más cercanos (KNN). Clasificación no paramétrica
5. Pre-procesamiento y selección de características (0,4)
• Preproceso de características. Extracción de características. Selección de características. Análisis de componentes principales (PCA). Análisis lineal discriminativo (LDA). Transformaciones frecuenciales. Transformaciones no lineales.
6. Aprendizaje no supervisado (0,4)
• Métodos de agrupamiento. Cuantificadores vectoriales. Estimación de mezclas de gaussianas.
7. Maquinas de soporte vectorial (SVM) (0,4)
• Introducción a las máquinas de soporte vectorial. Clasificación de margen máximo. Transformación no lineal y uso de Kernels.
8. Redes Bayesianas (BN), Metódos genéticos. Teoría de resonancia adaptativa (ART) (0,6)
• Definición de red Bayesiana. Separación entre conceptos y objetivos. Inferencia directa e inferencia inversa. Idea básica de métodos biológicos y de resonancia adaptativa (ART)
9. Presentación de trabajos (0,2)
• Presentación de trabajos personales realizados por los alumnos
Metodología docente
Las clases son presenciales por medio de transparencias complementadas con explicaciones en pizarra. Se dispondrá al final del curso de un tiempo para la presentación de los trabajos de los alumnos.
Los alumnos completan el curso con un trabajo final de carácter individual que ha de ser pre-sentado públicamente como parte de las actividades para adquirir competencias transversales de documentación, comunicación y publicación.
La memoria debe presentarse en el formato típico para los artículos de conferencias IEEE (http://www.ieee.org/conferences_events/conferences/publishing/templates [3]....) con objeto de fomentar en el alumno, no sólo la lectura e interpretación de documentos científicos y técnicos, sino también su correcta redacción.
Este trabajo final, deberá ser de carácter eminentemente práctico, y en él debe aplicarse al-guna de las técnicas descritas durante el curso, preferiblemente, a un problema que pueda estar relacionado con la actividad investigadora o profesional del alumno.
El trabajo final constituirá un 70% de la nota final. Habrá un examen teórico de cuestiones generales de duración una hora, que representará el30% de la nota final.
Enlaces:
[1] https://www.die.upm.es/category/categoria/programa-master
[2] https://www.die.upm.es/sites/default/files/REPO%20-%20GA_09AN_93000721_1S_2016-17.pdf
[3] http://www.ieee.org/conferences_events/conferences/publishing/templates
[4] https://www.die.upm.es/perfil/javier-ferreiros-l%C3%B3pez-0
[5] https://www.die.upm.es/perfil/jose-manuel-pardo-mu%C3%B1oz
[6] https://www.die.upm.es/content/juan-manuel-montero-mart%C3%ADnez
[7] https://MISE
[8] http://www.site.uottawa.ca/~nat/
[9] http://www.data-compression.com/vqanim.shtml
