Guia docente 2013_14 Escuela de Ingeniería de Telecomunicación

Máster Universitario en Teoría do Sinal e Comunicacións.

Recoñecemento Estatístico de Patróns e Redes Neuronais

Contidos

Tema	Subtema
Introdución	Aproximación ao problema de recoñecemento de patróns. Repaso de Teoría da Probabilidade e Regra de Bayes
Conceptos clásicos de clasificación e redución de dimensionalidade	Clasificación non supervisada ou clustering. O algoritmo das K-medias. Clasificación supervisada non paramétrica. O algoritmo dos K veciños máis próximos. Clasificación estatística. Clasificador de mínima distancia. Clasificador óptimo de Bayes. Métodos de extracción de características: optimización para representación (PCA), optimización para clasificación (LDA)
Modelos de mesturas gausianas para estimar funcións de densidade	Modelos de mesturas gausianas para representación e para clasificación. Estima de máxima verosimilitud para o modelo: O algoritmo EM. Casos particulares. Aplicación a recoñecemento de fala e locutores: Modelos ocultos de Markov
Procesos de aprendizaxe e introdución ás redes neuronais artificiais	Bases da teoría da aprendizaxe. A natureza estatística do proceso de aprendizaxe. Regras de aprendizaxe máis utilizadas. Conceptos de teoría da aprendizaxe: erro de aproximación, erro de estimación e erro de cálculo. Sesgo e varianza de modelos. Técnicas de aprendizaxe: corrección de erro, regra de Hebb, competición e supervisión. Taxonomía das RNA. Modelos discriminativos fronte a modelos generativos.
O perceptrón multicapa (MLP).	A regra do perceptrón. Teorema de converxencia. Separabilidad, o problema XOR. Minimización do erro cuadrático medio. O perceptrón multicapa. O algoritmo de retropropagación. O problema da generalización, validación cruzada. Interpretación das saídas como probabilidades a posteriori.
Funcións de base radial (RBF).	Teorema de Cover sobre a separabilidade de patróns. O problema da interpolación. Teoría da Regularización. Funcións de base radial xeneralizadas. Estratexias de aprendizaxe. Comparación entre RBF e MLP. Analoxía RBF-GMM (discriminación versus representación)
Máquinas de vectores soporte (SVM).	Clasificadores de marxe máxima. A dimensión de Vapnik-Chervonenkis. Espazos de características baseados en kernels. SVM para clasificación binaria (SVC). SVM para regresión non lineal (SVR). SVM para clustering (SVND).
Redes *autoorganizadas.	Rede de aprendizaxe Hebbiano: análise das compoñentes principais. Mapas de características autoorganizados, clasificación de patróns adaptativa, cuantificación vectorial (LVQ). Redes autoasociativas.