Profesorado

Pedro L. Galindo Riaño (Coordinador)

Situación

Prerrequisitos

El Plan de Estudios no establece ningún prerrequisito para poder cursar esta
asignatura.

Contexto dentro de la titulación

Se trata de una asignatura útil para muchas otras asignaturas de la
titulación,
especialmente Aprendizaje automático, Inteligencia Artificial, Minería de
Datos
y Sistemas Expertos.

Recomendaciones

Se recomienda en todas aquellas asignaturas que requieran el diseño de
sistemas
informáticos aplicados, especialmente aquellos que involucren el procesado y
tratamiento de datos.

Competencias

Competencias transversales/genéricas

Instrumentrales: Resolución de problemas. Toma de decisiones.
Personales : Capacidad para comunicarse con expertos de otras áreas.
Sistémicas : Capacidad de aplicar los conocimientos en la práctica.

Competencias específicas

• Cognitivas(Saber):

  ADQUISICIÓN DE LOS CONOCIMIENTOS INCLUIDOS EN EL TEMARIO, Y DE LA
  METODOLOGÍA DE TRABAJO EN LA RESOLUCIÓN DE PROBLEMAS REALES DE
  RECONOCIMIENTO DE PATRONES

• Procedimentales/Instrumentales(Saber hacer):

  Creación de modelos para situaciones reales.
  Resolución de modelos utilizando técnicas analíticas, numéricas o
  estadísticas.
  Participación en la implementación de programas informáticos
  Aplicación de los conocimientos a la práctica

• Actitudinales:

  Conocimiento de los procesos de aprendizaje.
  Ejemplificación de la aplicación a otras disciplinas y problemas
  reales

Objetivos

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

Programa

TEMARIO TEORICO
1 Teoría de la decisión bayesiana
- 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 Técnicas de Clasificación
- Métodos paramétricos (minima dist., minima dist. Mahalanobis, etc.)
- Métodos no paramétricos (1-NN, K-NN)
3 Tecnicas de Regresión
- Modelos lineales
- Linealización de problemas
4 Pre y postprocesado
- Preprocesado y extracción de características
- Reducción de la dimensionalidad (Selección, combinación de caract.)
- Estimación error de generalización
- Control de la complejidad
5 Modelos de Markov
- Introducción
- Algoritmo forward
- Algoritmo de Viterbi
- Codificación y ejemplos


TEMARIO DE PRACTICAS

1. Introducción al entorno de programacion
2. Clasificadores bayesianos
3. Técnicas de clasificación y regresión
4. Preprocesado y extr. de caracteristicas
5. Control de la complejidad
6. Modelos Ocultos de Markov

Metodología

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.

Distribución de horas de trabajo del alumno/a

Nº de Horas (indicar total): 162.5

• Clases Teóricas: 33  
• Clases Prácticas: 22  
• Exposiciones y Seminarios: 11  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 4  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado: 11  
  • Sin presencia del profesorado:  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 40.5  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal): 4  

Técnicas Docentes

Criterios y Sistemas de Evaluación

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 deberá realizar un trabajo global de la asignatura.

La evaluación global se calculará como NOTA = 0.4*Trabajo + 0.6*Examen

Recursos Bibliográficos

Pattern Recognition (3rd. Ed.)
Theodoridis, Sergios; Koutroumbas, Konstantinos
Elsevier Books, Oxford (2006)

Pattern classification (2nd Ed.)
R.O. Duda, P.E. Hart, D.G. Stork
Wiley, 2000

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