UNIVERSIDAD NACIONAL AUTNOMA DE MXICO
Licenciatura en Ciencias de la Computacin
Facultad de Ciencias
Programa de la asignatura
Denominacin de la asignatura:
Reconocimiento de Patrones y Aprendizaje Automatizado
Clave: Semestre: Eje temtico: No. Crditos:
7-8 Inteligencia Artificial 10
Horas por Total de
Carcter: Optativa Horas
semana Horas
Teora: Prctica:
Tipo: Terico-Prctica
3 4 7 112
Modalidad: Curso Duracin del programa: Semestral
Asignatura con seriacin indicativa antecedente: Inteligencia Artificial
Asignatura con seriacin indicativa subsecuente: Ninguna
Objetivos generales:
Conocer y aplicar una visin general de las diferentes tcnicas utilizadas para clasificar objetos
representados en la computadora, extraer y seleccionar sus caractersticas.
Comprender los fundamentos de las tcnicas supervisadas y no supervisadas para el
reconocimiento de patrones y para el aprendizaje automtico.
Poseer los elementos necesarios para comprender y elaborar aplicaciones simples del
reconocimiento de patrones y aprendizaje automtico.
Conocer las limitaciones inherentes a las tcnicas presentadas.
ndice temtico
Horas
Unidad Temas
Tericas Prcticas
I Introduccin 3 4
II Aprendizaje supervisado y teora del aprendizaje 7.5 10
III Teora de decisiones bayesiana 6 8
IV Mtodos paramtricos 7.5 10
V Clasificadores lineales 6 8
VI Clasificadores no-lineales 6 8
Agrupamiento (Clustering) y aprendizaje no-
VII 6 8
supervisado
VIII Aplicaciones 6 8
Total de horas: 48 64
Suma total de horas: 112
296
Contenido temtico
Unidad Tema
I Introduccin
I.1 Aprendizaje, patrones.
I.2 Clasificacin, regresin.
I.3 Aprendizaje supervisado y no-supervisado.
II Aprendizaje supervisado y teora del aprendizaje
II.1 Aprendizaje y error.
II.2 Riesgo emprico.
II.3 Riesgo estructural.
II.4 Generalizacin, entrenamiento y sobre-entrenamiento.
II.5 Complejidad y dimensionalidad.
II.6 Dimensin de Vapnik-Chervonenkis.
II.7 Ruido.
III Teora de decisiones bayesiana
III.1 Funcin discriminante.
III.2 Clasificadores bayesianos.
III.3 Medida de error.
III.4 Extraccin de caractersticas.
IV Mtodos paramtricos
IV.1 Principio de mxima verosimilutud y estimacin bayesiana.
IV.2 Sesgo y varianza.
IV.3 Estimador bayesiano.
IV.4 Clasificacin paramtrica.
IV.5 Regresin.
IV.6 Estimacin de parmetros con datos multivariados.
V Clasificadores lineales
V.1 Funciones discriminantes lineales.
V.2 El perceptrn.
V.3 Mnimos cuadrados
V.4 Mquinas de soporte vectorial.
VI Clasificadores no-lineales
VI.1 Redes de perceptrones multicapas.
VI.2 Algoritmo de retropropagacin y variaciones.
VI.3 Funcin de costo y tamao de la red.
VI.4 Funciones de base radial.
VI.5 Mquinas de soporte vectorial.
VI.6 Combinacin de clasificadores.
VII Agrupamiento (Clustering) y aprendizaje no-supervisado
VII.1 Agrupamientos basados en distancia y probabilidad.
VII.2 Agrupamientos jerrquicos.
VII.3 Agrupamiento probabilstico.
297
VII.4 Agrupamiento difuso.
VIII Aplicaciones
VIII.1 Casos de estudio.
Bibliografa bsica:
1. Alpaydin, Ethem, Introduction to Machine Learning, 2a Ed., The MIT Press, 2010.
2. Bishop, Christopher M., Pattern Recognition and Machine Learning, Springer, 2007.
3. Duda, R. O., P. E. Hart y D. Stork, Pattern Classification, 2a Ed., Wiley, 2001.
Bibliografa complementaria:
1. Mitchell, Tom M., Machine Learning, McGraw-Hill, 1997.
2. Haykin, Simon, Neural Networks, 2a Ed., Prentice Hall, 1999.
Sugerencias didcticas: Mtodos de evaluacin:
Exposicin oral (X) Exmenes parciales (X)
Exposicin audiovisual (X) Examen final escrito (X)
Ejercicios dentro de clase (X) Trabajos y tareas fuera del aula (X)
Ejercicios fuera del aula (X) Prcticas de laboratorio ( )
Seminarios ( ) Exposicin de seminarios por los alumnos ( )
Lecturas obligatorias ( ) Participacin en clase ( )
Trabajo de investigacin ( ) Asistencia ( )
Prcticas de taller o laboratorio (X) Proyectos de programacin ( )
Prcticas de campo ( ) Proyecto final ( )
Seminario ( )
Otras: __________________________
Otras: _____________________________
Perfil profesiogrfico:
Egresado preferentemente de la Licenciatura en Ciencias de la Computacin o matemtico con
especialidad en computacin con amplia experiencia de programacin. Es conveniente que
posea un posgrado en la disciplina. Con experiencia docente.
298
