MATE 4527 Reconocimiento de Patrones

El curso introduce al estudiante a una variedad de métodos no paramétricos para la toma de decisiones en datos de alta dimensión y disponibles en muestras de gran tamaño. El problema principal que se discute a lo largo del semestre es el de clasificación, principalmente en el caso de Aprendizaje Supervisado, aunque también se  discuten algunos procedimientos de Aprendizaje no Supervisado y de reducción de dimensionalidad. Para cada procedimiento presentado se discuten aspectos de implementación y la teoría matemática que sustenta su validez.

Entre los procedimientos estudiados están:
Regresión Logística, Análisis de Componentes Principales, Discriminadores Lineales (desde el Perceptron hasta Maquinas de Soporte Vectorial), Arboles de Clasificación, Bosques Aleatorios, Boosting. Se discute en detalle la teoría del clasificador de Vecinos más cercanos. Se dedica atención especial a la dimensión VC (Vapnik-Cervonenkis) y su aplicación a Leyes Uniformes de Grandes Números (generalizaciones de Glivenko-Cantelli) y el uso de estos resultados en el paradigma de Minimización de Riesgo estructural.

Un 40% de la evaluación del curso depende de Proyectos Computacionales, tipicamente desarrollados en el lenguaje R. El resto corresponde a exámenes escritos y exposiciones de temas avanzados.

Créditos

4

Periodo en el que se ofrece el curso

201720

Idioma en el que se ofrece el curso

Español