MATE 4527 Reconocimiento de Patrones
El inmenso potencial de aplicación del área de Reconocimiento de Patrones en medicina, en verificación de firmas, huellas dactilares, en identificación de señales eléctricas, etc., por un lado, y los grandes avances realizados recientemente tanto en la práctica como en la teoría probabilística de los procedimientos del área, tales como máquinas de soporte vectorial, árboles de clasificación, clasificadores de vecinos más cercanos, clasificadores basados en estimación de densidades por núcleos, además del desarrollo reciente de la Teoría de Aprendizaje Estadístico y el impacto que esta teoría ha tenido sobre la práctica de Reconocimiento de Patrones, motivan la inclusión de esta asignatura entre las electivas del área de Estadística del Pregrado y la Maestría en Matemáticas de Uniandes.
Introducción. El error de Bayes. Importancia de las covariables en el problema de Reconocimiento de Patrones. Clasificador de Bayes. Funciones Discriminantes. El discriminador lineal de Fisher. Propiedades paramétricas y no-paramétricas y limitaciones. Estimación de densidades por núcleos (kernels). Elección del ancho de ventana para ancho de ventana fijo. Selección del ancho de ventana mediante distancias a vecinos cercanos. Uso de la estimación de densidades en el problema de Reconocimiento de Patrones. El clasificador de k vecinos más cercanos. Consistencia y criterios de implementación. El Perceptrón. Criterios de ajuste. Convergencia. Máquinas de soporte vectorial. Propiedades de los núcleos utilizados en estos clasificadores. Cotas teóricas de error. Algoritmos de estimación. Identificación de conglomerados. Métodos divisivos y aglomerativos (dendogramas). Ventajas y desventajas. Criterios para elegir el número correcto de conglomerados.
Clasificadores tipo árbol (CART) y su poda.
Página del catálogo en este curso