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 Técnicas de Validación (Error de Generalización)
- Validación simple
- Random sampling
- Validación cruzada
- Leave-one-out
4 Tecnicas de Regresión
- Modelos lineales
- Linealización de problemas
5 Pre y postprocesado
- Preprocesado y extracción de características
- Reducción de la dimensionalidad (Selección, combinación de
caract.)
6 Validación y estimación del error de generalización
- Validación simple
- Validación cruzada
- Random sampling
- Leave-one-out
6 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. Validación
6. Modelos Ocultos de Markov

Metodología

Sin docencia.

Criterios y Sistemas de Evaluación

Al dejar de impartirse la asignatura en el curso 2012/2013 dispone de 4
convocatorias de examen que puede distribuir durante los cursos
2013/2014 y
2014/2015

Se realizará un examen final, que será
eminentemente práctico, es decir, constará de varios problemas que el
alumno deberá resolver en el tiempo establecido.

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