Reconocimiento de Patrones

Planificacion del curso por dia

(este material tambien esta disponible en las clases de cada capitulo)

Clase 01 Ma. 10-Mar-2026:

• 1.0   INTRODUCCIÓN
• 1.1         Qué es reconocimiento de patrones?
• 1.1               PPT: Ejemplo introductorio [PPT]
• 1.1               Python: Ejemplo introductorio [Colab]
• 1.1               Matlab: Visualización de segementación [Matlab]
• 1.1               Archivos Epstein [Link]
• 1.1               [+] PPT: Ejercicio visión humana [PPT]
• 1.1               [+] PPT: Ejemplo de Visión humana / Visión por computador [PPT]

Clase 02 Ju. 12-Mar-2026:

• 0.0   PRESENTACIÓN DEL CURSO
• 0.1         Programa
• 0.1               Programa del curso Reconocimiento de Patrones [PDF]
• 0.1               Calendario [Calendario]
• 0.1               PPT: Presentación del curso [PPT]
• 0.1               Lineamientos del uso de la IA del DCC [PDF]
• 0.2         Bibliografía
• 0.2               Libro: Elements of Statistical Learning (Hastie et al., 2008) [Book]
• 0.2               Libro: Neural Networks and Deep Learning (Aggarwal, 2019) [Book]
• 0.2               Libro: Deep Learning (Goodfellow, 2016) [Book]
• 0.2               Libro: Computer Vision (Szeliski, 2010) [Book]
• 0.2               Libro: Computer Vision for X-ray Testing (Mery, 2015) [Book]
• 0.2               Libro: Computer Vision for X-ray Testing, Second Edition (Mery, Pieringer, 2021) [Book]
• 1.0   INTRODUCCIÓN (cont.)
• 1.1         Qué es reconocimiento de patrones?
• 1.1               PPT: Ejemplo práctico (mandarinas vs naranjas) [PPT]
• 1.1               PPT: Formulación metodólogica de Reconocimiento de Patrones [PPT]
• 1.1               PPT: Esquema básico de reconocimiento de patrones [PPT]
• 1.1   [+] >> PPT: Ejemplo de extracción de características para separar las letras J y Q [PPT]
• 1.1   [+] >> Python: Ejemplo separación de dos letras (J y Q) [Colab]
• 1.1   [+] >> Material de Apoyo: Paper - Reconocimiento de patrones estadístico [PDF]

Clase 03 Ma. 17-Mar-2026:

• 1.1   E01: EJERCICIO EN CLASES 01 [Colab]
• 1.1         Consideraciones preliminares [TXT]
• 1.1         Explicación del ejercicio E01 [PPT]
• 1.1         Solución a E01 [Colab]

Clase 04 Ju. 19-Mar-2026:

• 1.0   INTRODUCCIÓN (cont.)
• 1.2         Procesamiento de imágenes
• 1.2               PPT: Introducción al Procesamiento de Imágenes [PPT]
• 1.2               Python: Ejemplo segmentación de un arroz [Colab]
• 1.2               Python: Sampling (muestreo espacial y de tonos de gris) [Colab]
• 1.2               Python: Ejemplo de transformación geometrica [Colab]
• 1.2               Python: Ejemplo de ecualización de histograma [Colab]
• 1.2               Python: Ejemplos con máscaras (convolución con kernels) [Colab]
• 1.2               Matlab: Visualización de histograma [Matlab]

Clase 05 Ma. 24-Mar-2026:

• 1.2   E02: EJERCICIO EN CLASES 02 [Colab]
• 1.2         Consideraciones preliminares [TXT]
• 1.1         Explicación del ejercicio E02 [PPT]
• 1.1         Solución a E02 [Colab]

Clase 06 Ju. 26-Mar-2026:

• 2.0   EXTRACCIÓN DE CARACTERISTICAS
• 2.1         Introducción
• 2.3         Características geométricas
• 2.3               PPT: Características geométricas (básicas, momentos, Fourier) [PPT]
• 2.3               Pyhton: Ejemplo sobre características geométricas y momentos [Colab]
• 2.3               Python: Ejemplo sobre descriptores de Fourier [Colab]
• 2.3               Material de apoyo: Capítulo - Image representation [Chapter]
• 2.3               Material de apoyo: Paper - Momentos de Hu [Paper]
• 2.3               Material de apoyo: Paper - Momentos de Flusser [Paper]
• 2.3               Material de apoyo: Paper - Descriptores de Fourier [Paper]

Clase 07 Ma. 31-Mar-2026:

• 2.2         Segmentación de imágenes
• 2.2               PPT: Segmentación [PPT]
• 2.2               Python: Ejemplo de detección de regiones [Colab]
• 2.2               Python: Ejemplo de detección de bordes [Colab]
• 2.2               Python: Ejemplos de morfología [Colab]

Clase 08 Ma. 07-Apr-2026:

• 2.2   E03: EJERCICIO EN CLASES 03 [Colab]
• 2.2         Consideraciones preliminares [TXT]
• 2.2         Explicación del ejercicio E03 [PPT]
• 2.2         Solución a E03 [Colab]

Clase 09 Ju. 09-Apr-2026:

• 2.5         Características de intensidad y color
• 2.5               PPT: Análisis de color y características de intensidad (Haralick y Gabor) [PPT]
• 2.4               Python: Segmentación simple a color [Colab]
• 2.4               Python: Cómo leer imagenes a color [Colab]
• 2.5               Python: Ejemplo sobre reconocimiento de texturas usando Haralick y Gabor [Colab]
• 2.4               Python: Ejemplo de mejoramiento de imagen a color oscura [Colab]
• 2.5               Materal de apoyo: Paper - Características de textura de Haralick [Paper]
• 2.5               Material de apoyo: Paper - Características de Gabor [Paper]
• 2.5               Material de apoyo: Paper - Aplicación de las características de Gabor [Paper]
• 2.5               Material de apoyo: Video experimento con gatos (1/2) [Video]
• 2.5               Material de apoyo: Video experimento con gatos (2/2) [Video]
• 2.5               Material de apoyo: Paper - Comparación de características de textura [Paper]

Clase 10 Ma. 14-Apr-2026:

• 2.5   E04: EJERCICIO EN CLASES 04 [Colab]
• 2.4         Explicación del ejercicio E04 [PPT]
• 2.4         Solución a E04 [Colab]

Clase 11 Ju. 16-Apr-2026:

• 2.5         Caracteristicas de intensidad (cont.)
• 2.5               PPT: Histogram of Gradientes y Local Binary Patterns [PPT]
• 2.5               Python: Ejemplo de detección de peatones usando HoG [Colab]
• 2.5               Material de apoyo: Paper - Histogram of Gradients (HoG) [Paper]
• 2.5               Material de apoyo: Implementación de HoG en OpenCV [python]
• 2.5               Material de Apoyo: Paper - Local Binary Patterns (LBP) [Paper]
• 2.5               Python: Ejemplo sobre LBP en reconocimiento facial [Colab]
• 2.5               Material de apoyo: Paper de lectura complementaria sobre LBP [Paper]
• 2.5               PPT: SIFT [PPT]
• 2.5               Material de apoyo: Paper - SIFT [Paper]
• 2.5               Python: Ejemplo de reconocimiento de vacas usando SIFT [Colab]
• 2.5               PPT: Ejemplo simple de reconocimiento facial con LBP, SFS y KNN [PPT]
• 2.5               Python: Ejemplo de reconocimiento facial con LBP, SFS y KNN [Colab]
• 2.5               PPT: Características de contraste (basicas y CLP) [PPT]
• 2.5               Material de apoyo: Capítulo características de intensidad [Paper]
• 2.5               Material de apoyo: Paper - Crossing Line Profile (CLP) [Paper]
• 2.5               Python: Ejemplo de intensidad (basicas, contraste, CLP) [Colab]

Clase 12 Ma. 21-Apr-2026:

• 2.5   E05: EJERCICIO EN CLASES 05 [Colab]
• 2.5         Consideraciones preliminares [TXT]
• 2.5         Explicación del ejercicio E05 [PPT]
• 2.5         Solución a E05 [Colab]

Clase 13 Ju. 23-Apr-2026:

• 3.0   SELECCIÓN Y TRANSFORMACIÓN DE CARACTERISTICAS
• 3.1               Selección (Fisher, Clean, SFS, Exhaustiva, Branch and Bound) [PPT]
• 3.1               Material de apoyo: Apuntes sobre la selección de características [Apuntes]
• 3.1               Material de apoyo: Paper - Introducción a la selección de características [Paper]
• 3.2               Python: Ejemplo de selección de características [Colab]

Clase 14 Ma. 28-Apr-2026:

• 3.2   E06: EJERCICIO EN CLASES 06 [Colab]
• 3.2         Explicación del ejercicio E06 [PPT]
• 3.2         Solución a E06 [Colab]

Clase 15 Ju. 30-Apr-2026:

• 3.3         Algoritmos de transformación de características
• 3.3               Transformación de Características (PCA) [PPT]
• 3.3               Principal components analysis PCA [Matlab]
• 3.3               Matlab: Idea básica de PCA para dos variables [Colab]
• 3.3               ICA [Apuntes]
• 3.3               Python: Ejemplo de reconocimiento facial con LBP y PCA, ICA, PLSR [Colab]
• 3.4         Estrategias de selección y transformación
• 3.4               Esquema general con selección de características [Apuntes]
• 3.4               Python: Bateria de ejemplos de selección de características [Colab]
• 3.4               How to perform feature selection with numerical input data [Apuntes]
• 3.4               Libreria sklearn para Feature Selection [Libreria]
• 3.4               Libreria mlxtend [Python]

Clase 16 Ma. 05-May-2026:

• 3.2   E07: EJERCICIO EN CLASES 07 [Colab]
• 3.2         Solución a E07 [Colab]
• 3.2               Python: Bateria de ejemplos de selección de características [Colab]

Clase 17 Ju. 07-May-2026:

• 4.0   CLASIFICACIÓN
• 4.2         Clasificadores basicos
• 4.2               KNN, Dmin, Bayes, LDA, QDA, Mahalanobis, Trees [PPT]
• 4.2               Python: Clasificadores básicos [Colab]
• 4.2               Python: Set de validación para hiperparámetros [Colab]
• 4.2               Material de apoyo: Entropía [YouTube]
• 4.2               Python: Clasificadores básicos [Colab]
• 4.2               Visualización del espacio de características [Colab]

Clase 18 Ma. 12-May-2026:

• 4.2   E08: EJERCICIO EN CLASES 08 [Colab]
• 4.2         Solución a E08 [Colab]

Clase 19 Ju. 14-May-2026:

• 4.3         Redes neuronales
• 4.3               Redes neuronales [PPT]
• 4.3               Algoritmo Backpropagation [Apuntes]
• 4.3               Python: Clasificador basado en Redes Neuornales (from skratch) [Colab]
• 4.3               Python: Clasificador basado en Redes Neuornales [Colab]
• 4.3               Python: Ejemplo NN en MNIST con pytorch [Colab]
• 4.3               Libro: Neural Networks and Deep Learning [Book]

Clase 20 Ma. 26-May-2026:

• 4.4         Ayudantía

Clase 21 Ju. 28-May-2026:

• 4.4         Support vector machines
• 4.4               Introducción a SVM [PPT]
• 4.4               Teroía sobre SVM [Apuntes]
• 4.4               Teoría sobre SVM [Paper]
• 4.4               Teoría sobre SVM [Paper]
• 4.4               Tutorial de SVM en python [YouTube]
• 4.4               Python: Ejemplo de SVM con sklearn [Colab]

Clase 22 Ma. 02-Jun-2026:

• 3.2   E09: EJERCICIO EN CLASES 09 [Colab]

Clase 23 Ju. 04-Jun-2026:

• 5.0   EVALUACIÓN DE DESEMPEÑO
• 5.1         Introducción
• 5.1               Como se evalua el desempeño de un clasificador? [PPT]
• 5.2         Metricas de desempeño
• 5.2               Métricas de Genuinos vs. Impostores [PPT]
• 5.2               Métricas de Genuinos vs. Impostores [PDF]
• 5.2               Ejemplo de AdaFace y métricas de evaluación [Colab]

Clase 24 Ma. 09-Jun-2026:

• 3.2   E11: EJERCICIO EN CLASES 10 [Colab]

Clase 25 Ju. 11-Jun-2026:

• 5.3         Estimación de metricas
• 5.3               Estimación de Accuracy [PPT]
• 5.3               Python: Estimación de Accuracy [Colab]
• 5.4         Aspectos practicos
• 5.4               Aspectos prácticos [PDF]
• 5.4               Python: Selector de Modelos [Colab]
• 5.4               Material de apoyo: Machine Learning Yearing (Libro) [Book]

Clase 26 Ma. 16-Jun-2026:

• 3.2   E12: EJERCICIO EN CLASES 11 [Colab]

Clase 27 Ju. 18-Jun-2026:

• 4.0   CLASIFICACIÓN (cont.)
• 4.5         Deep learning
• 4.5               Deep learning [PPT]
• 4.5               Ejemplo CNN basico (ojo vs. nariz) [Colab]
• 4.5               Ejemplo CNN basico (detección de defectos) [Colab]
• 4.5               Ejemplo CNN basico (detección de covid) [Colab]
• 4.5               Ejemplo CNN basico (perros y gatos) [Colab]
• 4.5               Ejemplo CNN basico (clasificación de lunares - 2 clases) [Colab]
• 4.5               Ejemplo CNN basico (clasificación de lunares - 7 clases) [Colab]

Clase 28 Ma. 23-Jun-2026:

• 3.2   E13: EJERCICIO EN CLASES 12 [Colab]

Clase 29 Ju. 25-Jun-2026:

• 4.6         Bag of words
• 4.6               Clustering: K-Means [PPT]
• 4.6               El algoritmo BoW [PPT]
• 4.6               Python: Ejemplo de Bag of Words [Colab]

---

Updated on 14-May-2026 at 10:18 by Domingo Mery