Conceptos clásicos de clasificación y reducción de dimensionalidad |
Clasificación no supervisada o clustering. El algoritmo de las K-medias. Clasificación supervisada no paramétrica. El algoritmo de los K vecinos más próximos. Clasificación estadística. Clasificador de mínima distancia. Clasificador óptimo de Bayes. Métodos de extracción de características: optimización para representación (PCA), optimización para clasificación (LDA) |
Procesos de aprendizaje e introducción a las redes neuronales artificiales |
Bases de la teoría del aprendizaje. La naturaleza estadística del proceso de aprendizaje. Reglas de aprendizaje más utilizadas. Conceptos de teoría del aprendizaje: error de aproximación, error de estimación y error de cálculo. Sesgo y varianza de modelos. Técnicas de aprendizaje: corrección de error, regla de Hebb, competición y supervisión. Taxonomía de las RNA. Modelos discriminativos frente a modelos generativos. |
Funciones de base radial (RBF). |
radial (RBF).
Teorema de Cover sobre la separabilidad de patrones. El problema de la interpolación. Teoría de la Regularización. Funciones de base radial generalizadas. Estrategias de aprendizaje. Comparación entre RBF y MLP. Analogía RBF-GMM (discriminación versus representación) |
Redes autoorganizadas.
|
Red de aprendizaje Hebbiano: análisis de las componentes principales. Mapas de características autoorganizados, clasificación de patrones adaptativa, cuantificación vectorial (LVQ). Redes autoasociativas.
|