CURSO: RECONOCIMIENTO DE PATRONES TRADUCCIÓN: PATTERN RECOGNITION SIGLA: IIC/IEE 3724 CRÉDITOS: 10 MÓDULOS: 02 CARÁCTER: MÍNIMO TIPO: CÁTEDRA CALIFICACIÓN: ESTÁNDAR PALABRAS CLAVE: APRENDIZAJE DE MÁQUINA, ANÁLISIS DE IMÁGENES, RECONOCIMIENTO AUTOMÁTICO, BIOMETRÍA, CONTROL DE CALIDAD, INSPECCIÓN VISUAL AUTOMÁTICA, VISIÓN DE MÁQUINA NIVEL FORMATIVO: MAGISTER I. DESCRIPCIÓN DEL CURSO El reconocimiento, la descripción, la clasificación y la agrupación de patrones de forma automática, son problemas importantes en una gran variedad de aplicaciones de ingeniería, psicología, medicina, economía, biologías, etc. El problema consiste en asignar automáticamente a una clase una muestra según las mediciones realizadas sobre la muestra. En el curso se estudiará la teoría necesaria para resolver este problema, y se aplicará la teoría en ejemplos prácticos tales como detección automática de tumores, reconocimiento de caracteres, detección de defectos, etc. II. OBJETIVOS 1. Analizar las nociones básicas de extracción de características, selección de características, clasificación y evaluación de desempeño. 2. Aplicar técnicas basadas en procesamiento de imágenes para la extracción de características geométricas y cromáticas en problemas donde el reconocimiento de patrones se realice a partir de información visual. 3. Diseñar y evaluar características a ser extraídas donde la reconocimiento de patrones se realiza a partir de información visual u otro tipo de información. 4. Evaluar algoritmos eficientes para seleccionar características: Análisis de componentes principales, discriminante de Fisher, búsqueda exhaustiva, búsqueda secuencial, Branch&Bound, entre otros. 5. Diseñar clasificadores capaces de resolver problemas reales basados en las técnicas de clasificador lineal, árbol binario de decisión, vecino más cercano, Mahalanobis, Bayes, SVM, redes neuronales entre otros. 6. Aplicar técnicas para establecer y comparar el desempeño de los clasificadores: Validación cruzada, bootstrap, e intervalos de confianza basados en distribuciones estadísticas. 7. Diseñar un sistema automatico de reconocimiento de patrones capaz de resolver un problema real. III. CONTENIDOS 1. Introducción. 1.1 ¿Qué es reconocimiento de patrones? 1.2 Un ejemplo práctico 1.3 Formulación de problemas de reconocimiento de patrones 1.4 Sistemas de reconocimiento de patrones 1.5 Conceptos básicos 2.Extracción de características 2.1 Características geométricas 2.2 Características cromáticas 2.3 Otras características 2.4 Normalización de características 3.Selección de características 3.1 Análisis de componentes principales 3.2 Discriminante de Fisher 3.3 Búsqueda exhaustiva 3.4 Búsqueda secuencial hacia adelante 3.5 Búsqueda secuencial hacia atrás 3.6 Búsqueda Branch & Bound 4.Clasificación 4.1 Clasificador lineal 4.2 Árbol binario de decisión 4.3 Vecino más cercano 4.4 Distancia de Mahalanobis 4.5 Clasificador de Bayes 4.6 Support vector machines 4.7 Redes neuronales 5.Evaluación de desempeño de la clasificación 5.1 Matriz de confusión 5.2 Sensibilidad, especificidad, precisión y recall 5.3 Curvas ROC, Precision-Recall 5.4 Leave-one-out, Hold-out 5.5 Validación cruzada 5.6 Intervalos de confianza 6.Clustering 6.1 Diccionarios 6.2 Algoritmo K-means 6.3 Clustering Espectral 6.4 Clustering Sparse 6.5 Clasificación con diccionarios 7.Aplicaciones 7.1 Inspección visual automática 7.2 Reconocimiento de caras 7.3 Reconocimiento de objetos peligrosos 7.4 Reconocimiento de emociones IV. METODOLOGíA Clases expositivas, discusión de artículos, presentaciones de alumnos. V. EVALUACIÓN - Asistencia debe ser al menos 75% - Trabajo en clases 20% (controles, guías de trabajo, etc.) - Tareas 50% - Proyecto 30% VI. BIBLIOGRAFÍA Mínima Bishop, C. Pattern Recognition and machine Learning, Springer, 2006. Bishop, C. Neural Network for Pattern Recognition, New York, Oxford University Press Inc., Reprinted, 2005. da Fontoura, L.; Marcondes, R. Shape Analysis and Classification, Boca Raton, CRC Press, 2001. Duda, R.; Hart, P.; Stork, D. Pattern Classification, New York, John Wiley & Sons, Inc., 2001. Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning, Springer, 2001. Marsland, S. Machine Learning: An algorithmic Perspective, CRC Press, 2009. Mery, D. Computer Vision for X-ray Testing, Springer, 2015 Nixon, M.; Aguado, A. Feature Extraction & Image Processing, Amsterdam, Elsevier, 2004. Webb, A. Statistical Pattern Recognition, Wiley, Second Edition, 2002. Witten, I.H; Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, Second Edition, 2005. Artículos seleccionados de IEEE Transaction on Pattern Analysis and Machine Intelligence, y de Proceedings of International Conferences on Pattern Recognition and Computer Vision. PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE ESCUELA DE INGENIERÍA / ABRIL 2021