Section


  • Instructions: Clicking on the section name will show / hide the section.

  • View only 'Topic 1'

    Descripción del curso

    • PRERREQUISITOS Y CONOCIMIENTOS PREVIOS RECOMENDADOS

      Es recomendable haber cursado las siguientes asignaturas:

      • Álgebra I (1013)
      • Ecuaciones diferenciales (1041)

       

      DESCRIPCIÓN GENERAL DE LA ASIGNATURA

      El objetivo principal de la asignatura es que el alumno sea capaz de aplicar las técnicas clásicas más importantes de Reconocimiento de Patrones y las Redes Neuronales Artificiales más extendidas (tanto supervisadas como no supervisadas) a problemas concretos, algunas veces con datos sintéticos y otras veces con datos del mundo real (p.e. imágenes) utilizando Matlab para ello. El alumno debe comprender las características principales comunes a todas las técnicas basadas en el aprendizaje, así como a evaluar las ventajas e inconvenientes de la utilización de cada técnica en particular para un problema en concreto. Para ello van resolviendo los mismos problemas mediante ejercicios planteados con las distintas técnicas explicadas durante el curso y realizan igualemente 2 trabajos que engloban el análisis comparativo de las técnicas explicadas.

       

      OBJETIVOS: CONOCIMIENTOS Y CAPACIDADES
      • Capacidad de aplicación de los conceptos teóricos del temario.
      • Capacidad para la resolución de problemas prácticos sobre bases de datos sintéticas y de aplicaciones reales, utilizando Matlab.
      • Capacidades de trabajo en grupo.

       

      ACTIVIDADES DE EVALUACIÓN O TAREAS PRÁCTICAS
      • Evaluación de todos los ejercicios de clase.
      • Evaluación de los 2 trabajos colaborativos expuestos en clase.
      • Evaluación individualizada en el examen regular.

      Una posible ponderación es 2, 4 y 4 puntos, respectivamente.

  • View only 'Topic 2'

    Programa

      • Tema 1. Inteligencia y aprendizaje.
      • Tema 2. Selección y preprocesamiento de características.
        1. Selección de características.
        2. Procesamiento lineal no supervisado: PCA.
        3. Procesamiento lineal supervisado: Discriminante de Fisher.
      • Tema 3. Reconocimiento de patrones: métodos clásicos.
        1. Clasificadores supervisados paramétricos. Bayesianos.
        2. Clasificadores supervisados no paramétricos. K-NN.
        3. Clasificadores no supervisados.
      • Tema 4. Redes neuronales artificiales.
        1. Metodología de aprendizaje.
        2. Aplicaciones.
      • Tema 5. Redes neuronales supervisadas.
        1. El perceptrón multicapa: MLP.
        2. Funciones de Base Radial: RBF.
      • Tema 6. Redes Neuronales no supervisadas.
        1. SOM: Mapas autorganizados de inspiración biológica.
      • Tema 7. Trabajos de Invesigación y Retos.

  • View only 'Topic 3'

    Bibliografía

      • B-B-001. Duda-R, Hart-P, Stork-D. Pattern Classification. Wiley-Interscience, 2004.
      • B-B-002. Christopher M. Bishop. Pattern recognition and Machina Learning. Oxford Press, 2006.

  • View only 'Topic 4'

    Material de clase

      • MC-F-001. Transparencias 1 (PDF)
        Reconocimiento de Patrones y Redes Neuronales.
      • MC-F-002. Transparencias 2 (PDF)
        Técnicas clásicas de Reconocimiento de Patrones.
      • MC-F-003. Transparencias 3 (PDF)
        Metodología del Aprendizaje.
      • MC-F-004. Transparencias 4 (PDF)
        Redes neuronales supervisadas.
      • MC-F-005. Transparencias 5 (PDF)
        Aprendizaje no supervisado: Mapas Auto-organizados SOM

  • View only 'Topic 5'

    Ejercicios, Proyectos y Casos

      • EP-F-001. Ejercicio (PDF) (ZIP)
        Transparencia 17 (datos_D2_C3_S1.mat).
      • EP-F-002. Ejercicios de Técnicas clásicas de Reconocimiento de Patrones (PDF) (ZIP)
        Transparencia 23 (datos_D2_C2.mat).
      • EP-F-003. Ejercicios de Técnicas clásicas de Reconocimiento de Patrones (PDF) (ZIP)
        Transparencia 35 (datos_D1_C2.mat).
      • EP-F-004. Ejercicios de Técnicas clásicas de Reconocimiento de Patrones (PDF) (ZIP)
        Transparencia 37 (datos_D2_C2.mat).
      • EP-F-005. Ejercicios de Metodología del Aprendizaje (PDF)
        Transparencias 14, 17.
      • EP-F-006. Ejercicios de Aprendizaje no supervisado: Mapas Auto-organizados SOM (PDF)
        Transparencia 16, 18.
      • EP-F-007. Trabajo 1 (PDF) (ZIP) (ZIP)
        Primer trabajo. “Técnicas Clásicas en Reconocimiento de Patrones”
      • EP-F-008. Trabajo 2 (PDF) (ZIP) (ZIP)
        Segundo trabajo. “Técnicas Clásicas en Reconocimiento de Patrones”

  • View only 'Topic 6'

    Otros recursos

      • OR-F-001. Guía de la asignatura (PDF)
      • OR-F-002. Plantilla (DOC)
        Plantilla para la resolución de los ejercicios.
      • OR-F-003. Dibujar (M)
        Programa dibujar digitos de la base de datos MNIST.

       

      • OR-E-001. Matlab.
        Página de MathWorks - Matlab.

  • View only 'Topic 7'

    Guía de aprendizaje

    • Capítulos Tiempo previsto Materiales de estudio Ejercicios Trabajos Observaciones
      Tema 0   OR-F-001 (PDF)

      EP-F-001 (PDF) (ZIP)
      Transparencia 17

      		   Guide to the subject
      Tema 1  2 horas MC-F-001 (PDF)

      		  
      		   Introduction: Intelligence, Learning & Pattern Recognition
      Tema 2  6 horas  MC-F-002 (PDF)

      EP-F-002 (PDF)
      Transparencia 23
      (ZIP)

      EP-F-003 (PDF)
      Transparencia 35
      (ZIP)

      EP-F-004 (PDF)
      Transparencia 37
      (ZIP)

      		   Classical techniques: PCA & Classifiers
      Tema 3  2 horas MC-F-003 (PDF)
      		 EP-F-005 (PDF)
      Transp 14,17
      		   Machine learning and Neural Networks
      Tema 4  4 horas MC-F-004 (PDF)
      		  Supervised Neural Networks: MLP
      Temas 1 y 2        EP-F-007 (PDF) (ZIP) (ZIP)
             		Presentation Practical Work 1
      Tema 5  4 horas MC-F-005 (PDF) EP-F-006 (PDF)
      Transp 16, 18      		   Unsupervised Neural Networks: SOM
      Temas 4 y 5        EP-F-008 (PDF) (ZIP) (ZIP)
             		Presentation Practical Work 2

  • View only 'Topic 8'

    Autores del material