Pedro L. Galindo Riaño (Coordinador)

La presente asignatura dotará al alumno de unos conocimientos teóricos, que le
permitan plantear soluciones a problemas de reconocimiento de patrones, así
como unos conocimientos prácticos, que le permitan implementar esas soluciones
en un lenguaje de programación concreto.
Para ello, se proponen los siguientes objetivos a cumplir:
a) Dar a conocer al alumno los fundamentos básicos del Reconocimiento de
Patrones
b) Aplicar dichos fundamentos en algún lenguaje de alto nivel, como es MATLAB.
c) Ampliar las habilidades de los alumnos profundizando en la resolución de
problemas concretos.

En este curso se estudian las bases teóricas  que sustentan los principales
modelos utilizados en las aplicaciones de reconocimiento de patrones.

El principal objetivo consiste en que el alumno sepa capaz de enfrentarse a
una aplicación real de Reconocimiento de Patrones

TEMARIO TEORICO
1 Teoría de la decisión bayesiana (13 horas)
- Aproximación al problema de reconocimiento de patrones.
- Teoría de la Probabilidad y Regla de Bayes.
- Clasificación con la mínima tasa de error
- Clasificadores, funciones discriminantes, superficies de decisión
- Densidad normal
2 Preprocesado y extracción de características (10 horas)
- Normalización
- Reducción de la dimensionalidad (Selección, combinación de caract.)
3 Generalización (6 horas)
- Estimación error de generalización
- Control de la complejidad
4 Técnicas de Clasificación (10 horas)
- Métodos paramétricos (minima dist., minima dist. Mahalanobis, etc.)
- Métodos no paramétricos (1-NN, K-NN)
5 Clustering (6 horas)
- Métodos jerárquicos
- Métodos no jerárquicos


TEMARIO DE PRACTICAS

1. Introducción al entorno de programacion (2 h.)
2. Clasificadores bayesianos  (6 h.)
3. Preprocesado y extr. de caracteristicas (4 h.)
4. Control de la complejidad  (4 h.)
5. Técnicas de clasificación  (10 h.)
6. Métodos de agrupamiento    (4 h.)

El curso comprende tres partes fundamentales:
1) Presentación de la teoría básica general que proporcione un marco común a
las diferentes técnicas que se introducirán posteriormente.
2) Exposición de la gama de técnicas habitualmente utilizadas.
3) Todas las técnicas tendrán su reflejo en prácticas propuestas que el alumno
deberá realizar usando los conocimientos adquiridos.

Las clases teóricas consistirán en la explicación por parte del profesor de
los distintos contenidos expuestos en el temario de la asignatura. Se
utilizarán los medios que el profesor considere necesarios, pudiéndose
realizar, si el número de alumnos lo permite, en el propio aula de prácticas.
Las clases prácticas consistirán en la realización de ejercicios graduados en
dificultad. Se complementará con la realización de trabajos monográficos
individuales que cubran diferentes aspectos de la materia tratada.

Nº de Horas (indicar total): 162.5

• Clases Teóricas: 32.5  
• Clases Prácticas: 20  
• Exposiciones y Seminarios: 22.5  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas:  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado: 16.25  
  • Sin presencia del profesorado:  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 68.25  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

La asistencia a clase es voluntaria, si bien se recomienda la misma tanto a
las clases prácticas como a las clases teóricas.
Se realizará obligatoriamente un examen final. El examen final será
eminentemente práctico, es decir, constará de varios problemas que el alumno
deberá resolver en el tiempo establecido.
El alumno podrá proponer al profesor trabajos adicionales a realizar
voluntariamente con el objetivo de mejorar sus calificaciones. Esta
posibilidad estará sin embargo condicionada a superar la evaluación
correspondiente, no pudiendo servir para compensar deficiencias en ellas.

Pattern classification
R.O. Duda, P.E. Hart, D.G. Stork
Wiley, 2000

Reconocimiento de formas y visión artificial
D. M. Gómez Allende
Addison-Wesley Iberoamericana, 1994

Neural Networks for Pattern Recognition
Christopher M. Bishop
Oxford University Press, 1995