Curso 2015-16
Reconocimiento de Patrones
| Titulación: | Código: | Tipo: |
| Grado en Ingeniería Informática | 22639 | Optativa |
| Grado en Ingeniería Telemática | 22591 | Optativa |
| Grado en Ingeniería en Sistemas Audiovisuales | 21626 | Optativa |
| Créditos ECTS: | 4 | Dedicación: | 100 horas | Trimestre: | 1º |
| Departamento: | Dpto. de Tecnologías de la Información y las Comunicaciones |
| Coordinador: | Xavier Binefa |
| Profesorado: | Xavier Binefa, Adrià Ruiz |
| Idioma: | Català, Castellà, Anglès |
| Horario: | |
| Campus: | Campus de la Comunicación - Poblenou |
El problema de extraer patrones a partir de los datos es una historia de éxitos: ha tenido resultados tan impresionantes como las leyes de la física o en tiempos más recientes resultados en ámbitos como la recuperación de la información, la minería de datos, el reconocimiento de caracteres o del habla, la predicción económica o la bioinformática entre muchos otros. En todos estos temas actuales se trata de descubrir de forma automática las regularidades que presentan los datos utilizando algoritmos ya partir de estas regularidades y tendencias tomar decisiones tales como clasificar los datos en categorías. En definitiva se trata de extraer -descobrir- información a partir de los datos. El propósito de este taller se presentaron técnicas generales y que se han demostrado útiles para extraer esta información. Los métodos que se plantean introducirán desde un punto de vista práctico y basado en ejemplos.
La asignatura está compuesta de tres actividades principales: clases de teoría, prácticas y problemas. En las clases de teoría se introducen los conceptos teóricos y se muestran ejemplos de su aplicación. En los problemas los alumnos se verán confrontados con pequeños problemas que deberán resolver ellos mismos. Cada problema corresponde a uno de los conceptos introducidos en clase de teoría. En las prácticas se presentan problemas de mayor complejidad para que los alumnos tengan la oportunidad de poner en práctica una serie de conceptos aprendidos.
Haber cursado Probabilidad, Estadística y Procesos Estocásticos con aprovechamiento. También alguna asignatura de Visión por Computador puede ser interesante aunque no es imprescindible.
| Competéncias generales | Competéncias Específicas |
|---|---|
|
Instrumentales 1. Habilidades cognitivas 2. Capacidad de análisis y síntesis 3. Capacidad de trabajar en en información no estructurada 4. Organitzación del tiempo y planificación. Interpersonales 5. Trabajo en grupo 6. Competencia en presentación de la comunicación. Sistémicas 7. Capacidad para aplicar conocimientos teóricos a la práctica 8. Relacionar los modelos con los datos 9. Capacidad de generar ideas. |
a)Hablar con propiedad en terminos de datos, modelos y errores. b) Entender y ser crítico leyendo artículas de investigación sobre los temas tratados. c) Desarrollar hábitos empíricos en el aprendizaje de algoritmos de modelización. d) Saber escoger un método formulando los pro y contras y conseguir que aporte resultados. e) Trabajar en areas relaciondads con los contenidos de la materia. f) Implementar los procesos escogidos evaluando el coste computacional necesario.
|
Se evaluará cada una de las tres actividades de la asignatura: clases de teoría, prácticas y problemas. Siendo:
T: la evaluación de las clases de teoría
P: la evaluación de los problemas
S: la evaluación de prácticas
En la evaluación continua la nota final se obtiene haciendo la media ponderada de la siguiente manera (requiere tener al menos un cuatro de teoría, de lo contrario la asignatura estaría suspendida):
Nota final = 0,35 * T + 0,15 * P + 0,5 * S
La nota S provendrá del trabajo realizado en las prácticas y se evaluará por la calidad del código y de la memoria que se entregue. Se prevé que haya tres entregas.
La nota P proviene del trabajo individual realizado en los problemas; evaluará principalmente por dos pruebas por medio de ejercicios como los realizados tanto a teoría como seminarios.
Si hay que ir al examen de julio, la nota final será la de este examen en el que entrará todo el contenido de la asignatura La nota de julio será: Nota Julio = 0,6 * ExamenJuliol + 0,4 * Practicas. En el caso de que se hubiera suspendido las prácticas, se podrán volver a entregar las prácticas y ser evaluadas de nuevo.
T1Introduction
T2 Review and Bayesian Decision Theory
T3 Linear models for classification
T4 Support Vector Classifiers and Kernel methods
T5 Linear Models for Regression
T6 Unsupervised Learning
T7 Latent Variable Models
T8 Combining Classifiers
T9 Advanced topics: Deep Learning
El proceso habitual de aprendizaje comienza con una sesión de teoría en la que se presentan ciertos fundamentos teórico-prácticos. El estudiante deberá complementar esta actividad con un lectura detenida de sus propios apuntes y el material adicional que el profesor haya proporcionado. Por ejemplo, una sesión de teoría de 2 horas, convenientemente aprovechadas, requerirá un trabajo adicional fuera del aula de 1 hora por parte del estudiante.
Posteriormente se realizarán algunas sesión de ejercicios, en las que el estudiante pone en práctica los conceptos y técnicas presentadas en la sesión de teoría, mediante la implementación de algoritmos para resolver pequeños problemas o bien haciendo problemas en papel. Por los primeros ejercicios de la sesión se proporcionarán las soluciones, pero para el resto no. El objetivo es que consolide los fundamentos para que posteriormente pueda resuelva problemas de mayor complejidad.
El siguiente paso en el proceso de aprendizaje es la sesión de prácticas. En ella se proponen unos problemas de mayor tamaño que requieren un diseño previo de la solución a implementar y que han de integrar diferentes conceptos y técnicas. En la práctica final se reúnen todas las competencias específicas que el estudiante debe adquirir en esta asignatura.
Kevin P. Murphy. Machine Learning: A probabilistic Perspective. The Mit Press 2012.
S. Theodoridis, K. Koutroumbas An Introduction to Pattern Recognition: A Matlab Approach. Academic Press, 1999.
Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2010.
S. Theodoridis, K. Koutroumbas Pattern Recognition, Fourth Edition. Elsevier Academic Press, 1999. http://www.sciencedirect.com/science/book/9781597492720
C. M. Bishop. Pattern Recognition and Machine Learning. Springer 2006.
L. I. Kuncheva Combining Pattern Classifiers, Methods and Algorithms. Wiley Interscience, 2004.
T. Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning: Data mining, Inference, and Prediction. Springer, 2001.
Duda, Hart and Stork,. Pattern Classification, Wiley–Interscience, 2001.
D. Mackay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.