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 | Conceptos Aprendizaje de Máquina |
| 1.2 | Ejemplos de sistemas automáticos de aprendizaje de máquina |
| 1.3 | Problemas fundamentales en el diseño de aprendizaje de máquina |
| 1.4 | Clasificación supervisada y no supervisada |
| 1.5 | Bases de datos en imágenes y su importancia en el área de reconocimiento de patrones y aprendizaje de máquina |
| 2 | Extracción de patrones y características en Visión Computacional |
| 2.1 | Filtrado de la imagen |
| 2.2 | Detección de estructuras primitivas: bordes, líneas, esquinas |
| 2.3 | Pirámides gaussianas y laplacianas, SIFT |
| 2.4 | Transformaciones de la imagen: PCA, DFT, DCT, Gabor, Wavelets, Hermite |
| 2.5 | Caracterización de texturas: momentos estadísticos, matriz de coocurrencia, GLCM, superpixeles y LBPs |
| 3 | Funciones de decisión |
| 3.1 | Funciones de decisión lineales y generalizadas |
| 3.2 | Espacio generado por los patrones y las constantes de peso. Vectores y espacios de características |
| 3.3 | Sistemas de funciones ortogonales |
| 4 | Clasificación Bayesiana |
| 4.1 | Revisión de probabilidad: densidad y momentos de una variable aleatoria. Densidad, correlación y covarianzas de vectores de variables aleatorias. Densidades condicionales |
| 4.2 | Teoría de detección y estimación |
| 4.3 | Clasificación como un problema de decisión estadístico |
| 4.4 | Clasificación de Bayes |
| 5 | Clasificación supervisada |
| 5.1 | Árboles de decisión |
| 5.2 | Reglas de decisión |
| 5.3 | K Nearest Neighbor |
| 6 | Clasificación no supervisada: K–Means |
| 7 | Regresión |
| 7.1 | Regresión lineal y logística |
| 7.2 | Máquinas de soporte vectorial |
| 7.3 | Análisis discriminante lineal (Fisher) |
| 8 | Redes Neuronales Artificiales y convolucionales |
| 8.1 | Principios de las redes neuronales |
| 8.2 | Redes neuronales convolucionales |
| 8.3 | Retropropagación y descenso del gradiente |
| 9 | Experimentación y métricas de clasificación |
| 9.1 | Errores, exactitud y precisión, error medio cuadrado |
| 9.2 | Métodos de experimentación |
| 9.3 | Matriz de confusión |
| 9.4 | Curva ROC |
| 9.5 | Métricas de validación (sensibilidad, exactitud, precisión, etc.) |