Reconocimiento de Patrones

Introducción

• Panorama general del reconocimiento de patrones y el aprendizaje automático
• Aplicaciones clave en distintas disciplinas
• Importancia del reconocimiento de patrones en la tecnología moderna

Teoría de la probabilidad, selección de modelos y teoría de la información

• Bases de la teoría de la probabilidad aplicadas al reconocimiento de patrones
• Conceptos asociados a la elección y evaluación de modelos
• Teoría de la decisión y sus usos prácticos
• Principios básicos de la teoría de la información

Distribuciones de probabilidad

• Resumen de las distribuciones más comunes
• Función que desempeñan las distribuciones al modelar datos
• Aplicaciones en el ámbito del reconocimiento de patrones

Modelos lineales para regresión y clasificación

• Introducción a la regresión lineal
• Conceptos fundamentales sobre la clasificación lineal
• Aplicaciones y limitaciones de los modelos lineales

Redes neuronales

• Bases del aprendizaje profundo y las redes neuronales
• Técnicas para entrenar redes neuronales en tareas de reconocimiento de patrones
• Ejemplos prácticos e historias de estudio relevantes

Métodos basados en núcleos

• Concepto general de los métodos de este tipo dentro del reconocimiento de patrones
• Máquinas de vectores de soporte y otros modelos similares fundamentados en núcleos
• Aplicaciones con datos multidimensionales

Máquinas de núcleos escasos

• Descripción de los modelos con baja densidad en el ámbito del reconocimiento de patrones
• Estrategias para lograr mayor escasez y controlar la regularización en estos modelos
• Aplicaciones concretas al análisis de datos

Modelos gráficos

• Bases teóricas sobre los modelos gráficos en el aprendizaje automático
• Redes bayesianas y campos aleatorios de Markov
• Métodos de inferencia y aprendizaje empleados con dichos modelos

Modelos mixtos y algoritmo EM

• Introducción a los modelos mixtos
• Descripción del algoritmo Expectación-Maximización (EM)
• Aplicaciones en la agrupación de datos y estimación de densidades

Inferencia aproximada

• Técnicas útiles para realizar inferencias cuando los modelos resultan complejos
• Métodos variacionales y muestreo Monte Carlo como instrumentos clave
• Aplicaciones en procesos de análisis masivo de datos

Métodos de muestreo

• Importancia del muestreo al trabajar con modelos probabilísticos
• Estrategias basadas en cadenas de Markov y el método Monte Carlo (MCMC)
• Aplicaciones específicas dentro del reconocimiento de patrones

Variables latentes continuas

• Principios subyacentes a los modelos con variables latentes continuas
• Su utilidad en la reducción dimensional y representación de datos
• Ejemplos prácticos de su uso actualmente

Datos secuenciales

• Cómo modelar adecuadamente los datos ordenados cronológicamente
• Métodos basados en modelos ocultos de Markov y técnicas conexas
• Aplicaciones concretas en análisis de series temporales y reconocimiento del habla<\/li>

Combinación de múltiples modelos

• Técnicas para unir distintos modelos en el contexto del reconocimiento de patrones
• Métodos como los ensambles y la mejora iterativa mediante boosting
• Su influencia positiva al incrementar la exactitud predecible

Resumen y pasos futuros