Redes Neuronales y Reconocimiento de Patrones (70038)
Section
Instructions: Clicking on the section name will show / hide the section.
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.
Programa
- Tema 1. Inteligencia y aprendizaje.
- Tema 2. Selección y preprocesamiento de
características.
- Selección de características.
- Procesamiento lineal no supervisado: PCA.
- Procesamiento lineal supervisado: Discriminante de Fisher.
- Tema 3. Reconocimiento de patrones: métodos
clásicos.
- Clasificadores supervisados paramétricos. Bayesianos.
- Clasificadores supervisados no paramétricos. K-NN.
- Clasificadores no supervisados.
- Tema 4. Redes neuronales artificiales.
- Metodología de aprendizaje.
- Aplicaciones.
- Tema 5. Redes neuronales supervisadas.
- El perceptrón multicapa: MLP.
- Funciones de Base Radial: RBF.
- Tema 6. Redes Neuronales no supervisadas.
- SOM: Mapas autorganizados de inspiración biológica.
- Tema 7. Trabajos de Invesigación y Retos.
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.
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
- MC-F-001. Transparencias 1 (PDF)
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”
- EP-F-001. Ejercicio (PDF) (ZIP)
Guía de aprendizaje
Capítulos Tiempo previsto Materiales de estudio Ejercicios Trabajos Observaciones Tema 0 OR-F-001 (PDF) 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)Classical techniques: PCA & Classifiers Tema 3 2 horas MC-F-003 (PDF) EP-F-005 (PDF)
Transp 14,17Machine 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, 18Unsupervised Neural Networks: SOM Temas 4 y 5 EP-F-008 (PDF) (ZIP) (ZIP)
Presentation Practical Work 2
Autores del material
Escuela Técnica Superior de Ingenieros Industriales
Departamento de Automática, Electrónica e Informática Industrial
Pascual Campoy
Catedrático de Universidad