Reconocimiento de Patrones

1er cuatrimestre - 2023

Programa Introducción: 2 semanas [1] cap1. Aplicaciones Ajuste polinomial de curvas Repaso de Conceptos Básicos de Teorı́a de la Probabilidad Selección de Modelos Teorı́a de la decisión Funciones de pérdida para regresión Multiplicadores de Lagrange Modelos lineales para regresión: 1 semana [1] cap 3, [2] caps. 2 y 3. Funciones base para modelos lineales Máxima verosimilitud y cuadrados mı́nimos Geometrı́a de cuadrados mı́nimos Aprendizaje secuencial Cuadrados mı́nimos con regularización Salidas múltiples Descomposición sesgo-varianza Modelos lineales para clasificación: 2 semanas [1] cap 4, [2] cap.4. Caso de dos clases Caso de múltiples clases Clasificador cuadrático Discriminante de Fisher Perceptron Regresión Logı́stica Caso de 2 clases Caso de más de 2 clases Expectation Maximization: 2 semanas [1] cap 9 Mixtura de Gaussianas K-means Codificación 1-de-K Variables “latentes” EM para Mixtura de Gaussianas EM en general ¿Porqué EM converge? Supprort Vector Machines SVM: 3 semanas [5] cap 3, [3] cap. 8, [1] caps. 6 y 7. Formulación del problema Problema dual de Lagrange Dualidad débil Dualidad fuerte y condiciones de Slater Condiciones KKT (Karush-Kuhn-Tucker) Dualidad fuerte en el caso SVM Caso de clases no linealmente separables: Kernels Caso de más de dos clases: 1-contra-1, 1-contra-todos, hinge loss. El problema del aprendizaje :1 semana [3] cap.1. Formulación del problema Types of Learning Cuándo es posible el aprendizaje? Error y Ruido Training versus Testing: 1 semana [3] cap.2. Teoría de la Generalización – Dimensión de VC Cota de la generalización The Test Set Balance Aproximación-Generalización Bibliografía: [1] Pattern Recognition and Machine Learning by C. Bishop, Springer 2006. [2] The Elements of Statistical Learning, T. Hastie et al, Springer, 2008. [3] Learning from Data, Yasser S. Abu-Mostafa, 2012. [4] Pattern Classification (2nd. Edition) by R. O. Duda, P. E. Hart and D. Stork, Wiley 2002. [5] Pattern Recognition by S. Theodoridis and K. Koutroumbas 2009, Elsevier Inc. [6] Convex Optimization, by Lieven Vandenberghe and Stephen P. Boyd, 2004. Correlatividades: Métodos Numéricos

Cantidad total de horas: 96 horas

Horario: Miércoles y Viernes 18 a 21 hs

Página web: https://www.dc.uba.ar/ya-se-encuentran-publicadas-las-materias-del-primer-cuatrimestre-de-2023/

Departamento que dicta esta materia este cuatrimestre: Departamento de Computación