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 |