Materias
Aprendizaje de Máquina para Visión Computacional
Profesores
Dr. Boris Escalante RamírezDra. Olveres Montiel Jimena
El alumno comprenderá e implementará los métodos más importantes de aprendizaje de máquina aplicados al área de visión computacional.
Conocerá e implementará métodos de extracción y selección de características de una imagen.
Aprenderá los modelos matemáticos que describen los patrones característicos de una imagen.
Conocerá e implementará los métodos más importantes de clasificación y regresión aplicados a visión computacional.
Comprenderá la importancia del preprocesamiento de imágenes.
Será capaz de seleccionar el mejor modelo de aprendizaje de máquina, incluyendo los modelos profundos, de acuerdo a las particularidades del problema a resolver y a las características y ventajas de cada uno de los modelos.
Temario
| Tema | Título |
|---|---|
| 1 | Introducción |
| 1.1 | Introduccion al aprendizaje de maquina |
| 1.2 | Conceptos Aprendizaje de Máquina |
| 1.3 | Ejemplos de sistemas automáticos de reconocimiento de patrones |
| 1.4 | Clasificación supervisada y no supervisada |
| 1.5 | Bases de datos en imágenes |
| 2 | Funciones de decisión |
| 2.1 | Funciones de decisión 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 decisión |
| 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 |
| 5.3 | 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 |