Dra. Jimena Olveres Montiel – Dr. Boris Escalante Ramírez
___________________________________________________________________
1 Introducción
1,1 Introduccion al aprendizaje de maquina.
1,2 Conceptos Aprendizaje de Máquina.
1,3 Problemas fundamentales en el diseño de aprendizaje de maquina y su importancia relacionada con reconocimiento de patrones
1,4 Clasificación supervisada y no supervisada.
1,5 Bases de datos en imágenes
2 Funciones de decision
2,1 Funciones de decision lineales
2,2 Funciones de decision no lineales
3 Clasificacion no supervisada
3,1 K-means
4 Clasificacion supervisada
4,1 Distancias e instancias
4,2 K-Nearest Neighbour
4,3 Arboles de decision
4,4 Máquinas de soporte vectorial
5 Clasificación Bayesiana
5,1 Teoría de la detección y la estimación.
5,2 Clasificación bayesiana como un problema de decisión estadístico.
5,4 Caracterización de texturas: momentos estadísticos,
6 Regresión
6,1 Regresión Lineal
6,2 Regresión Logística
6,3 Sistemas de recomendación (opcional)
7 Extracción de patrones y características para visión computacional
7,1 Filtrado de la imagen.
7,2 Caracterización de texturas II: matriz de coocurrencia, GLCM, superpixeles y LBPs.
7,3 Transformaciones de la imagen: PCA y Analisis discriminante lineal (Fisher) . Opcional T-SNE
7,4 DFT, DCT, Gabor, Wavelets
8 Redes neuronales artificiales para visión computacional
8,1 Principios de las redes neuronales
8,2 Redes neuronales convolucionales
8,3 Retropropagación y descenso del gradiente
9 Experimentación y validacion de modelos
9,1 Métricas de validación (sensibilidad, exactitud, precisión, etc.)
9,2 Métodos de experimentación.
9,3 ROC y matriz de confusión.