Pedro L. Galindo Riaño

La presente asignatura dotará al alumno de unos conocimientos teóricos, que le
permitan plantear soluciones a problemas avanzados de informática, 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 de computación avanzada
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 computación avanzada.

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

TEMARIO TEORICO

1 Métodos de clasificación (3 h.)
- Métodos paramétricos (minima dist., minima dist. Mahalanobis, etc.)
- Métodos no paramétricos (1-NN, K-NN)
- Teoría de la decisión bayesiana
2 Métodos de regresión (3 h.)
- Modelos lineales
- Resolución de problemas no lineales
3 Preprocesado y extracción de características (2 h.)
- Reducción de la dimensionalidad
4 Generalización (1 h.)
- Estimación error de generalización
- Control de la complejidad
5 Redes neuronales (5 h.)
- Monocapa
- Multicapa
- Otras


TEMARIO DE PRACTICAS

1. Técnicas de Clasificación  (9 h.)
2. Técnicas de Regresión (9 h.)
3. Preprocesado y extr. de caracteristicas (6 h.)
4. Generalización (3 h.)
5. Redes neuronales    (15 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): 112.5

• Clases Teóricas: 14  
• Clases Prácticas: 42  
• Exposiciones y Seminarios:  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 4  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado:  
  • Sin presencia del profesorado: 10  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 39.5  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

La evaluación consistirá en la entrega de varias prácticas.

La calificación final vendrá dada por la media de las calificaciones
de las prácticas.

El alumno que lo desee podrá realizar un trabajo de mayor complejidad
sobre un tema de común acuerdo con el profesor de la asignatura para
subir nota.

Bishop, C.M. (1995). Neural networks for pattern recognition. Clarendon Press,
Oxford.

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

Hilera, J.R. y Martínez, V.J. (1995). Redes neuronales artificiales.
Fundamentos, modelos y aplicaciones. RAMA. Madrid.

Lippmann, R. P. (April 1987). An introduction to computing with neural nets.
IEEE Acoustics, Speech, and Signal Processing Magazine. vol. 2, no. 4, pp 4-22.

Maravall, D. (1993) Reconocimiento de formas y visión artificial. Rama, Madrid.