Ramón Soto C. (rsotoc@moviquest.com)
Este curso ofrece una introducción al área de Reconocimiento de Patrones, con una orientación hacia Data Science, Soft Computing y Minería de opiniones.
Este es el curso que actualmente imparto en la Lic. en Ciencias de la Computación en la Universidad de Sonora. Los procedimientos están hechos en Python. No se asume un conocimiento profundo del lenguaje, pero tampoco hay una introducción al tema (encontrarán información por todas partes y en particular en el repositorio vecino de Julio Waissman). Iremos agregando lecciónes conforme avance el curso.
La secuencia de temas sugerida es:
-
Intro 1. Bases cognitivas. Una introducción al tema, enfatizando el reconocimiento de patrones como habilidad natural.
-
Intro 2. Bases matemáticas. Sólo por no encontrar un mejor nombre :-), pero es básicamente una discusión de cómo buscamos sistematizar las tareas de RP, vectores de características y discusión inicial de algunos conjuntos de datos de prueba, particularmente el Pima Indians Diabetes Data Set. También algunos elementos útiles de Python para análisis de datos.
-
Limpieza de datos I. Introducción al tema de preparación de datos, con énfasis en la limpieza. Se analiza el caso de tratamiento de valores faltantes.
-
Limpieza de datos II. Continuación al tema de limpieza de datos. Se discuten el tratamiento a valores atípicos y valores inconsistentes.
-
Clustering I. Introducción al tema de agrupamiento y discusión del tema de las medidas de distancia.
-
Clustering II. Discusión de los dendrogramas: interpretación y construcción.
-
Clustering III. Presentación de la técnica de agrupamiento k-means.
-
Clustering IV. Presentación de la técnica de agrupamiento ISODATA.
-
Clustering V. Presentación de la técnica de agrupamiento DBSCAN.
-
Clustering VI. Presentación de una comparación entre técncias de agrupamiento.
-
Clasificación I. Presentación del tema y del clasificador k vecinos próximos.
-
Limpieza de datos III. Continuación al tema de limpieza de datos. Se discuten temas como la normalización de datos y evaluación de independencia, componentes pricnipales. Se discute también el manejo de datos faltantes con técncias inteligentes.
-
Clasificación II. Presentación de clasificadores bayesianos ingenuos.
-
Clasificación II-B. Aplicación de los clasificadores bayesianos ingenuos Bernoulli y multinominal a la clasificación de textos. Discusión del área de minería de opiniones.
-
Clasificación III. Presentación de los clasificadores por árboles de decisión.
-
Clasificación IV. Presentación de las máquinas de vectores de soporte (Support Vector Machines - SVM).
-
Clasificación V. Introducción a los métodos de clasificación del área de Inteligencia Artificial, discusión del uso de metáforas en machine learning y de la metáfora neuronal, incluyendo la presentación de la neurona de McCulloch-Pitts, el Perceptrón, la Adaline y las redes Feed-Forward.
-
Clasificación VI. Introducción a los métodos de reconocimiento de patrones bajo el enfoque sintáctico. Se introduce el uso de gramáticas para el reconocimiento de patrones en lenguaje natural y en imágenes. Se hace una introducción al área de procesamiento de lenguaje natural.
-
Mas... en un futuro
