UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERAS FISICOMECNICAS

ESCUELA DE INGENIERAS ELCTRICA, ELECTRNICA Y DE TELECOMUNICACIONES
Maestras en Ing. Electrnica e Ing. Elctrica
Doctorado en Ingeniera

NOMBRE DE LA ASIGNATURA:
RECONOCIMIENTO DE PATRONES Y APRENDIZAJE DE MQUINA
CDIGO: NMERO DE CRDITOS:
6
INTENSIDAD HORARIA SEMANAL
REQUISITOS:
TAD
TI: Ninguno
Tericas: Prcticas:
14
4 0
TALLERES: LABORATORIO: TERICO-PRCTICA: X
JUSTIFICACIN:
Dos elementos que se perfilan de entra aquellas tecnologas con mayor capacidad de transformar la manera en
que vivimos y tabajamos, y con la capacidad de facilitar la creacin de nuevos negocios y empresas, corresponden
a la robtica avanzada y el procesamiento/inferencia automtica del conocimiento [1]. En ambas reas, los
mtodos de entrenamiento de mquinas juegan un papel crucial en el desarrollo de estas tecnologas.

Contar con las herramientas conceptuales y tecnolgicas para seleccionar y utilizar con propiedad las herramientas
de reconocimiento de patrones y aprendizaje de mquina brindarn fortalezas a los estudiantes de postgrado.
Estas no solamente son de utilidad para sus respectivos trabajos de investigacin sino para el futuro desempeo
acadmico e investigativo.

[1] Disruptive technologies: advances that will transforma life, bussiness and the global economy. McKinsey &
Company, May, 2013.

PROPSITOS DEL CURSO:

En el presente curso curso se busca ofrecer experiencias de aprendizaje a nivel introductorio sobre el
reconocimiento de patrones y aprendizaje de mquina. Se considerarn las tcnicas ms existosas en el campo del
reconocimiento de patrones que involucran entrenamiento de mquinas, en el que se incluyen metodos con
enfoques tanto generativos como discriminativos, mtodos bayesianos; adems de mtodos basados en kernels.

Competencias Cognitivas

Utiliza los fundamentos de probabilidad y estadstica para llevar a cabo labores de clasificacin.
Utiliza las herramientas apropiadas para extraer y seleccionar las caractersticas apropiadas para clasificar o reconocer
patrones.
Identifica las ventajas y desventajas de los diferentes tipos de clasificadores automticos como funciones
discriminantes lineales, mquinas de soporte vectorial, redes neuronales, y funciones ncleo (kernel).
Conoce y utiliza apropiadamente los diversos mtodos de clasificacin automtica.

Competencias Actitudinales y Axiolgicas

Aprecia la importancia que tiene el manejo de la interdisciplinariedad para aportar soluciones en el campo de
Reconocimiento de Patrones y Aprendizaje de Mquina.
Busca, comprende y evala literatura cientfica asociada con las temticas del curso.
Comunica de manera y eficiente sus experiencias y conocimientos.
Exhibe actitudes cientficas y ticas a travs del proceso enseanza aprendizaje.
CONTENIDO:

1. Introduccin:
a. Que es el reconocimiento de patrones?
b. Anlisis de un ejemplo de un sistema de reconocimiento de patrones
c. Diagrama de bloques de un sistema de Reconocimiento de Patrones
d. El ciclo de diseo
e. Aprendizaje y adaptacin
i.Aprendizaje supervisado
ii.Aprendizaje no supervisado
2. Reconocimiento Estadstico de Patrones
a. Modos de operacin: Entrenamiento, Clasificacin
b. Teora de Decisin Bayesiana
c. Estimacin paramtrica de densidades
i.Mxima verosimilitud
ii.Estimacin Bayesiana
3. Tcnicas de clasificacin no paramtricas
a. Estimacin no paramtrica de funcin densidad
i.Estimadores por ventanas de Parzen
ii.Estimacin mediante k vecinos ms cercanos
b. Regla de decisin de los vecinos ms prximos
c. Edicin del conjunto de entrenamiento
d. Condensado
e. Mtodos de aprendizaje adaptivo
f. rboles de decisin
4. Seleccin y extraccin de caractersticas
a. Extraccin de caractersticas
b. Seleccin de caractersticas
5. Funciones discriminantes lineales, SVM
a. Funciones Discriminantes Lineales
i.Generalizacin
ii.Minimizacin de la funcin criterio perceptrn
iii.Criterios de relajacin
iv. Procedimientos de error cuadrtico medio
b. Mquinas de Soporte Vectorial (Support Vector Machines)
6. Redes neuronales multicapas
a. Fordward- Operacin y clasificacin
b. Backpropagation
7. Aprendizaje no supervisado y agrupamiento
a. Aprendizaje no supervisado
b. Aprendizaje Bayesiano no supervisado
c. Agrupamiento
d. El problema de la validacin
8. Combinacin de clasificadores
a. Estimacin y comparacin de clasificadores
b. Combinacin de clasificadores
c. Seleccin de clasificadores
9. Evaluacin de Desempeo
ESTRATEGIAS PEDAGOGICAS Y CONTEXTOS POSIBLES DE APRENDIZAJE PARA HORAS TIPO TAD Y TI
El curso se desarrollar en la modalidad de seminario. Se asignar a un estudiante encargado de liderar cada sesin
en la cual se discutirn el tema bajo estudio. Cada estudiante debe haber realizado lectura del tema y aportar
durante el desarrollo de la sesin. Esta modalidad de trabajo implica madurez y dedicacin de parte de los
estudiantes, lo cual redundar en mejora tanto de sus capacidades cognitivas como de sus habilidades de sntesis,
comunicacin y metacognicin. Se asignarn algunos ejercicios del libro gua.

EVALUACIN DE LA ASIGNATURA
Indicadores de aprendizaje

Para las competencias cognitivas

Comprende y utiliza adecuadamente terminologa usada en el rea de Reconocimiento de Patrones.
Ante un problema de clasificacin, utiliza las herramientas apropiadas para extraer y seleccionar las caractersticas de
utilidad.
Identifica las ventajas y desventajas de los diferentes tipos de clasificadores automticos como funciones discriminantes
lineales, mquinas de soporte vectorial, redes neuronales, y funciones ncleo (kernel).
Conoce y utiliza apropiadamente los diversos mtodos de clasificacin automtica.

Para las competencias actitudinales y axiolgicas

Asume compromiso con su formacin tanto profesional como personal.
Entrega puntualmente los trabajos asignados.
Participa colaborativamente en las actividades a desarrollar en grupo.
Realiza aportes que contribuyen a la formacin integral de los compaeros.
Realiza preguntas cuando se le presentan obstculos cognitivos.
Busca en las fuentes apropiadas literatura cientfica de inters para las temticas tratadas en el curso.
Evala la pertinencia y validez de la literatura cientfica abordada durante el curso y en el desarrollo de sus trabajos.
Referencia siempre las fuentes en las cuales se ha basado para realizar sus trabajos y verifica que estas sean fidedignas.
Comunica sus ideas, trabajos y proyectos de forma profesional y eficiente (tanto en forma oral como escrita).

Estrategias de evaluacin
El curso constar de una serie de exposiciones y talleres bsicos de cada una de las temticas propuestas. Sern asignados
proyectos bsicos donde se utilizar algunas herramientas computacionales entre software libre disponible y Matlab.
Finalmente, el estudiante deber desarrollar algn tema de inters que aparezca en las principales publicaciones y que tenga
relacin directa con lo estudiado en el curso.

Equivalencia cuantitativa
Exposiciones asignadas (al menos dos) 50%
Desarrollo de ejercicios asignados: 25%
Trabajo de fin de curso 25%

BIBLIOGRAFA BSICA Y COMPLEMENTARIA:

Bishop, Christopher. Pattern Recognition and Machine Learning. Springer, Singapore, 2006.
Webb, Andrew R. Statistical Pattern Recognition. Jhon Wiley & Sons. Sussex, England, 2002.
Duda, Richard, Hart, Peter & Stork, David. Pattern Classification. 2002.
Fukunaga, Keinosuke. Introduction to Statistical Pattern Recognition. Academic Press, Inc.
https://eva.fing.edu.uy/course/view.php?id=514
https://www.coursera.org/course/ml