Reconocimiento de Patrones

Introducción

• Visión general del reconocimiento de patrones y el aprendizaje automático
• Aplicaciones clave en diversos campos
• Importancia del reconocimiento de patrones en la tecnología moderna

Teoría de la probabilidad, selección de modelos, teoría de la decisión e información

• Fundamentos de la teoría de probabilidades en el reconocimiento de patrones
• Conceptos de selección y evaluación de modelos
• Teoría de la decisión y sus aplicaciones
• Fundamentos de la teoría de la información

Distribuciones de probabilidad

• Visión general de las distribuciones de probabilidad comunes
• Papel de las distribuciones en el modelado de datos
• Aplicaciones en el reconocimiento de patrones

Modelos lineales para regresión y clasificación

• Introducción a la regresión lineal
• Comprensión de la clasificación lineal
• Aplicaciones y limitaciones de los modelos lineales

Redes neuronales

• Fundamentos de las redes neuronales y el aprendizaje profundo
• Entrenamiento de redes neuronales para reconocimiento de patrones
• Ejemplos prácticos y estudios de caso

Métodos de núcleo

• Introducción a los métodos de núcleo en el reconocimiento de patrones
• Máquinas de soporte vectorial y otros modelos basados en núcleo
• Aplicaciones en datos de alta dimensionalidad

Máquinas dispersas de kernel

• Comprensión de los modelos dispersos en el reconocimiento de patrones
• Técnicas para la dispersión del modelo y regularización
• Aplicaciones prácticas en el análisis de datos

Modelos gráficos

• Visión general de los modelos gráficos en el aprendizaje automático
• Redes bayesianas y campos aleatorios de Markov
• Inferencia y aprendizaje en modelos gráficos

Modelos de mezcla y EM

• Introducción a los modelos de mezcla
• Algoritmo de Esperanza-Maximización (EM)
• Aplicaciones en agrupamiento y estimación de densidad

Inferencia aproximada

• Técnicas para inferencia aproximada en modelos complejos
• Métodos variacionales y muestreo de Monte Carlo
• Aplicaciones en el análisis de datos a gran escala

Métodos de muestreo

• Importancia del muestreo en los modelos probabilísticos
• Técnicas de Monte Carlo por cadenas de Markov (MCMC)
• Aplicaciones en el reconocimiento de patrones

Variantes latentes continuas

• Comprensión de los modelos de variables latentes continuas
• Aplicaciones en reducción de dimensionalidad y representación de datos
• Ejemplos prácticos y estudios de caso

Datos secuenciales

• Introducción al modelado de datos secuenciales
• Modelos ocultos de Markov y técnicas relacionadas
• Aplicaciones en análisis de series temporales y reconocimiento de voz

Combinación de modelos

• Técnicas para combinar múltiples modelos
• Métodos de conjunto y boosting
• Aplicaciones para mejorar la precisión del modelo

Resumen y próximos pasos