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

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2023/2024.

TÉCNICAS DE RECONOCIMIENTO DE PATRONES - 607581

Curso Académico 2023-24

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.
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.

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.

ACTIVIDADES DOCENTES

Clases teóricas

50%
Clases prácticas

50%

Presenciales

1,35

No presenciales

1,55

Semestre

2

Breve descriptor:

Formalización de las técnicas relacionadas con el reconocimiento de patrones y aplicación al diseño de sistemas biométricos.

Objetivos

- Conocerán los conceptos y técnicas relacionados con el reconocimiento de patrones y su formalismo matemático, los fundamentos de los sistemas biométricos, y la aplicación de las técnicas de reconocimiento de patrones en el diseño de sistemas biométricos.

- Serán capaces de determinar los ingredientes de un problema para diseñar la arquitectura que mejor se adecua a su resolución.

- Serán capaces de resolver problemas colaborando con compañeros, y de exponer sus 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/selección de características

6. Generación de características

7. Evaluación del clasificador

Evaluación


Por defecto será Evaluación Progresiva. En caso de suspender ésta o por renuncia, se procederá a la Evaluación por Prueba Final.

En la Evaluación Progresiva:
- Trabajo (70%): elaboración y entrega del trabajo, exposición del trabajo en aula, examen oral en la exposición del trabajo.
- Examen teórico-práctico (20%)
- Asistencia y participación activa (10%): se tendrá en cuenta la asistencia a clase por parte del alumno.

La evaluación por Prueba Final, así como el examen de la convocatoria 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 notas correspondientes a los exámenes teórico-prácticos así como las correspondientes pruebas de participación activa.

Bibliografía


Theodoridis S., Koutroumbas K. (2009): Pattern Recognition. Academic Press.
https://ebookcentral.proquest.com/lib/upmes/detail.action?docID=534973.

Theodoridis S., Pikrakis A., Koutroumbas K., Cavouras (2010): D. Introduction to Pattern Recognition. A Matlab Approach. Academic Press.
https://www.sciencedirect.com/book/9780123744869/introduction-to-pattern-recognition
Ficheros Matlab: https://booksite.elsevier.com/9780123744869/

Webb A., Copsey K. (2011): Statistical Pattern Recognition. Wiley.
https://ebookcentral.proquest.com/lib/upmes/detail.action?docID=819173

Dougherty G. (2013): Pattern Recognition and Classi.cation. An Introduction. Springer.

Richard O. Duda, Peter E. Hart, David G. Stork. (2001): Pattern classification. Wiley.

John L. Semmlow, Benjamin Griffel.(2014) : Biosignal and Medical Image Processing. CRC Press.

Bishop C. (1995): M. Neural Networks for Pattern Recognition. Clarendon Press-Oxford.

Cohen A. (1986): Biomedical Signal Processing. CRC Press.

Vapnik V. N.( 2000): The Nature of Statistical Learning. NY Springer.

Otra información relevante


Profesora:

Nombre: Ana María Ugena Martínez
Despacho: A-308, ETS Ingenieros de Telecomunicación, UPM
Correo electrónico: anamaria.ugena@upm.es
Teléfono: +34 91 0672284

Estructura

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

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único05/12/2023 - 22/02/2024MARTES 18:00 - 19:30-JORGE GONZALEZ ORTEGA
JUEVES 19:30 - 21:00-JORGE GONZALEZ ORTEGA