• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2024/2025.

TÉCNICAS DE RECONOCIMIENTO DE PATRONES - 607581

Curso Académico 2024-25

Datos Generales

SINOPSIS

COMPETENCIAS

Generales

CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.

CG2 – Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.

CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas.

CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.

CG5 - Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matemáticamente.

CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.

CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales

CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.

CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas

CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.

CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.

CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.

CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.

CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.

CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así como manejo, gestión y análisis de grandes bases de datos.

ACTIVIDADES DOCENTES

Clases teóricas

Método expositivo.
Clases prácticas

Estudio de casos.
Laboratorios

Prácticas de ordenador.

Presenciales

1,35

No presenciales

1,55

Semestre

2

Breve descriptor:

El objetivo de la disciplina científica Reconocimiento de Patrones es la clasificación de objetos (caracteres escritos, imágenes médicas, imágenes térmicas, señales biomédicas, personas...) en categorías o clases. A estos objetos los denominamos patrones. El reconocimiento de patrones constituye una parte muy importante de los sistemas inteligentes y aprendizaje automático que conllevan toma de decisiones. El temario de la asignatura cubre las distintas fases de un sistema de reconocimiento de patrones, a saber: (i) obtención de muestras a través de unos sensores; (ii) generación de características; (iii) selección de características; (iv) diseño del clasificador; y, por último, (v) evaluación del mismo.

Objetivos

- Conocer los conceptos y técnicas relacionados con el reconocimiento de patrones y su formalismo matemático, así como los fundamentos de los sistemas biométricos.

- Tener la capacidad de aplicar las técnicas de reconocimiento de patrones en el diseño de sistemas biométricos.

- Ser capaz de determinar los ingredientes de un problema para diseñar la arquitectura que mejor se adecúa a su resolución.

- Resolver problemas colaborando con compañeros y exponer los resultados.

Contenido

1. Introducción a las técnicas de reconocimiento de patrones.

2. Clasificadores de patrones basados en la teoría de decisión bayesiana.

3. Clasificadores lineales.

4. Clasificadores no lineales.

5. Extracción y selección de características.

6. Generación de características.

7. Evaluación del clasificador.

Evaluación


(70%) Entrega de trabajos
(15%) Exámenes teórico-prácticos
(15%) Asistencia y participación activa

La evaluación ordinaria será progresiva y, en lo concerniente a la entrega de trabajos, ésta consistirá en la elaboración y entrega de un trabajo que se expondrá en el aula y será sometido a examen oral durante dicha exposición.

La evaluación extraordinaria consistirá en las mismas pruebas y exámenes que se hayan ido haciendo durante el curso con la misma proporción de nota. Se podrán guardar las notas correspondientes a los exámenes teórico-prácticos, así como las relativas a las pruebas de participación activa.

Bibliografía


C.M. BISHOP (2005). Neural Networks for Pattern Recognition. New York, NY: Oxford University Press.

A. COHEN (2019). Biomedical Signal Processing. Boca Raton, FL: CRC Press.

R.O. DUDA, P.E. HART & D.G. STORK (2000). Pattern Classification. Hoboken, NJ: Wiley.

S. THEODORIDIS & K. KOUTROUMBAS (2009). Pattern Recognition. San Diego, CA: Academic Press.

S. THEODORIDIS, A. PIKRAKIS, K. KOUTROUMBAS & D. CAVOURAS (2010). Introduction to Pattern Recognition: A MATLAB Approach. Burlington, MA: Academic Press.

V.N. VAPNIK (2000). The Nature of Statistical Learning Theory. New York, NY: Springer-Verlag.

A.R. WEBB & K.D. COPSEY (2011). Statistical Pattern Recognition. Chichester: Wiley.

Otra información relevante


Profesora:

Nombre: Ana María Ugena Martínez
Despacho: A-308, ETSI en Telecomunicación, UPM
E-mail: anamaria.ugena@upm.es

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único10/12/2024 - 20/02/2025MARTES 18:00 - 19:30-JORGE GONZALEZ ORTEGA
JUEVES 19:30 - 21:00-JORGE GONZALEZ ORTEGA