(este material tambien esta disponible en las clases de cada capitulo)
- 1.0 MÓDULO PR.01.A
- 1.1 Cap. 01: INTRODUCCIÓN — ¿Qué es el Reconocimiento de Patrones?
- 1.1 Presentación [PDF] [PPT]
- 1.1 Ejemplo en Python: OCR (0 vs. 1) [Colab]
- 1.1 Material de apoyo para la clase
- 1.1 Datos usados en el ejemplo [Carpeta]
- 1.1 Visualización de segementación [Matlab]
- 1.1 Archivos Epstein [Link]
- 1.1 Ejercicio visión humana [PPT]
- 1.1 Visión humana / Visión por computador [PPT]
- 0.0 MÓDULO PR.00.A
- 0.0 Cap. 00: PRESENTACIÓN DEL CURSO
- 0.0 ¿En qué consiste el curso?
- 0.1 Presentación [PDF] [PPT]
- 0.1 Reglamento del Curso [PDF]
- 0.1 Programa del curso Reconocimiento de Patrones [PDF]
- 0.1 Documentos adicionales
- 0.1 Lineamientos del uso de la IA del DCC [PDF]
- 0.1 Lineamientos del uso de la IA en Ingeniería UC [PDF]
- 0.1 Bibliografía
- 0.2 Elements of Statistical Learning (Hastie et al., 2008) [Libro]
- 0.2 Neural Networks and Deep Learning (Aggarwal, 2019) [Libro]
- 0.2 Deep Learning (Goodfellow, 2016) [Libro]
- 0.2 Computer Vision (Szeliski, 2022) [Libro]
- 0.2 Computer Vision for X-ray Testing, Second Edition (Mery, Pieringer, 2021) [Libro]
- 0.1 ---------------------------------------------------------
- 1.0 MÓDULO PR.01.B
- 1.1 Cap. 01: INTRODUCCIÓN — Metodología de Reconocimiento de Patrones
- 1.1 Presentación [PDF] [PPT]
- 1.1 Ejemplo en Python: OCR (J vs. Q) [Colab]
- 1.1 Material de apoyo para la clase
- 1.1 Reconocimiento de patrones estadístico (Jain, 2009) [Paper]
- 1.0 MÓDULO PR.01.C
- 1.1 Cap. 01: INTRODUCCIÓN — Procesamiento de Imágenes
- 1.2 Presentación [PDF] [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 Visualización de histograma [Matlab]
- 1.2 ---------------------------------------------------------
- 1.2 MÓDULO PR.E01
- 1.2 Cap. 01: INTRODUCCIÓN — Ejercicio PR.E01
- 1.2 Ejercicio PR.E01 - Detección de ochos
- 1.2 Enunciado PR.E01 [Colab]
- 1.2 Solución PR.E01 [Colab]
- 2.0 MÓDULO PR.02.A
- 2.1 Cap. 02: EXTRACCIÓN — Características Geométricas
- 2.2 Presentación [PDF] [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 para la clase
- 2.3 Momentos de Hu [Paper]
- 2.3 Momentos de Flusser [Paper]
- 2.3 Descriptores de Fourier [Paper]
- 2.0 MÓDULO PR.02.B
- 2.1 Cap. 02: EXTRACCIÓN — Segmentación de Imágenes
- 2.2 Presentación [PDF] [PPT]
- 2.3 Python: Ejemplo de detección de regiones [Colab]
- 2.3 Python: Ejemplo de detección de bordes [Colab]
- 2.3 Python: Ejemplos de morfología [Colab]
- 2.1 ---------------------------------------------------------
- 2.1 MÓDULO PR.E02
- 2.1 Cap. 01: INTRODUCCIÓN — Ejercicio PR.E02
- 2.1 Ejercicio PR.E02 - Procesamiento de imágenes
- 2.1 Enunciado PR.E02 [Colab]
- 2.1 Solución PR.E02 [Colab]
- 2.0 MÓDULO PR.02.C
- 2.1 Cap. 02: EXTRACCIÓN — Características Cromáticas
- 2.2 Presentación [PDF] [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]
- 2.3 Material de apoyo para la clase
- 2.5 Características de textura de Haralick [Paper]
- 2.5 Características de Gabor [Paper]
- 2.5 Aplicación de las características de Gabor [Paper]
- 2.5 Video experimento con gatos (1/2) [Video]
- 2.5 Video experimento con gatos (2/2) [Video]
- 2.5 Comparación de características de textura [Paper]
- 2.0 MÓDULO PR.02.D
- 2.1 Cap. 02: EXTRACCIÓN — HoG, LBP, SIFT
- 2.2 Presentación [PDF] [PPT]
- 2.5 Python: Ejemplo de detección de peatones usando HoG [Colab]
- 2.5 Python: Ejemplo sobre LBP en reconocimiento facial [Colab]
- 2.5 Python: Ejemplo de reconocimiento de vacas usando SIFT [Colab]
- 2.5 Python: Ejemplo de intensidad (basicas, contraste, CLP) [Colab]
- 2.3 Material de apoyo para la clase
- 2.5 Histogram of Gradients (HoG) [Paper]
- 2.5 Implementación de HoG en OpenCV [python]
- 2.5 Local Binary Patterns (LBP) [Paper]
- 2.5 Lectura complementaria sobre LBP [Paper]
- 2.5 SIFT [Paper]
- 2.5 Crossing Line Profile (CLP) [Paper]
- 2.0 MÓDULO PR.E03
- 2.1 Cap. 01: INTRODUCCIÓN — Ejercicio PR.E03
- 2.1 Ejercicio PR.E03 - Clasificación de cubiertos
- 2.1 Enunciado PR.E03 [Colab]
- 2.1 Solución PR.E03 [Colab]
- 2.1 ---------------------------------------------------------
- 2.0 MÓDULO PR.E04
- 2.1 Cap. 02: EXTRACCIÓN — Ejercicio PR.E04
- 2.1 Ejercicio PR.E04 - Clasificación de texturas
- 2.1 Enunciado PR.E04 [Colab]
- 2.1 Solución PR.E04 [Colab]
- 3.0 MÓDULO PR.03.A
- 3.0 Cap. 03: SELECCIÓN — (Clean, SFS, Fisher, Exhaustiva, B&B, etc.)
- 3.1 Presentación [PDF] [PPT]
- 3.2 Python: Ejemplo de selección de características [Colab]
- 3.2 Material de apoyo para la clase
- 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]
- 2.0 MÓDULO PR.03.B
- 3.3 Cap. 03: SELECCIÓN — Transformación de características (PCA)
- 3.3 Presentación [PDF] [PPT]
- 3.3 Python: Ejemplo de reconocimiento facial con LBP y PCA, ICA, PLSR [Colab]
- 3.4 Python: Bateria de ejemplos de selección de características [Colab]
- 3.3 Material de apoyo para la clase
- 3.3 Matlab: Visualización de la idea de PCA en 2D [Matlab]
- 3.3 Python: Estrategias de Selección y Transformación (SFS+PCA, SFS+ICA, etc.) [Colab]
- 3.3 ICA [Apuntes]
- 3.4 ---------------------------------------------------------
- 3.3 ENUNCIADO TAREA 02 [PDF] [PPT]
- 3.3 Base de Datos de la Tarea 02 [BD]
- 3.4 MÓDULO PR.03.C
- 3.4 Cap. 03: SELECCIÓN — Estrategias
- 3.4 Presentación [Apuntes]
- 3.4 Material de apoyo para la clase
- 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]
- 3.0 MÓDULO PR.E05
- 3.1 Cap. 03: EXTRACCIÓN — Ejercicio PR.E05
- 3.1 Ejercicio PR.E05 - Reconocimiento de dígitos
- 3.1 Enunciado PR.E05 [Colab]
- 3.1 Solución PR.E05 [Colab]
- 3.1 ---------------------------------------------------------
- 3.1 MÓDULO PR.E06
- 3.1 Cap. 03: EXTRACCIÓN — Ejercicio PR.E06
- 3.1 Ejercicio PR.E06 - Selección y Transformación
- 3.1 Enunciado PR.E06 [Colab]
- 3.1 Solución PR.E06 [Colab]
- 4.0 MÓDULO PR.04.A
- 4.2 Cap. 04: CLASIFICACIÓN — Clasificadores básicos (KNN, Dmin, LDA, QDA, etc.)
- 4.2 Presentación [PDF] [PPT]
- 4.2 Python: Clasificadores básicos [Colab]
- 4.2 Python: Set de validación para hiperparámetros [Colab]
- 3.2 Material de apoyo para la clase
- 4.2 Material de apoyo: Entropía [YouTube]
- 4.2 Visualización del espacio de características [Colab]
- 4.3 MÓDULO PR.04.B
- 4.3 Cap. 04: CLASIFICACIÓN — Redes neuronales
- 4.3 Presentación [PDF] [PPT]
- 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]
- 3.2 Material de apoyo para la clase
- 4.3 Algoritmo Backpropagation [Apuntes]
- 4.3 Libro: Neural Networks and Deep Learning [Book]
- 4.1 ---------------------------------------------------------
- 4.0 MÓDULO PR.E07
- 4.1 Cap. 04: CLASIFICACIÓN — Ejercicio PR.E07
- 4.1 Ejercicio PR.E07
- 4.1 Enunciado PR.E07 [Colab]
- 4.1 Solución PR.E07 [Colab]
- 4.4 MÓDULO PR.04.C
- 4.4 Cap. 04: CLASIFICACIÓN — Support vector machines
- 4.4 Presentación [PDF] [PPT]
- 4.4 Python: Ejemplo de SVM con sklearn [Colab]
- 3.2 Material de apoyo para la clase
- 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]
- 4.1 MÓDULO PR.E08
- 4.1 Cap. 04: CLASIFICACIÓN — Ejercicio PR.E08
- 4.1 Ejercicio PR.E08
- 4.1 Enunciado PR.E08 [Colab]
- 4.1 Solución PR.E08 [Colab]
- 4.6 MÓDULO PR.04.D
- 4.6 Cap. 04: CLASIFICACIÓN — Clustering y Bag of words
- 4.6 Presentación [PDF] [PPT]
- 4.6 Python: Ejemplo de Bag of Words [Colab]
- 4.6 AYUDANTIA INTERROGACIÓN I2
- 5.3 MÓDULO PR.05.A
- 5.3 Cap. 05: EVALUACIÓN — Estimación de metricas
- 5.1 Qué es evaluación de desempeño? [PDF] [PPT]
- 5.3 Consideraciones prácticas [PDF] [PPT]
- 5.3 Python: Estimación de Accuracy [Colab]
- 5.4 Aspectos practicos
- 5.4 Selector de Modelos [PDF]
- 5.4 Python: Selector de Modelos [Colab]
- 5.4 Material de apoyo: Machine Learning Yearing (Libro) [Book]
- 5.0 MÓDULO PR.05.A
- 5.1 Cap. 05: EVALUACIÓN — Métricas de Desempeño
- 5.1 Presentación
- 5.1 Performance (matriz de confusión, sistemas biométricos) [PDF] [PPT]
- 5.2 Python :Ejemplo de AdaFace y métricas de evaluación [Colab]
- 3.2 Material de apoyo para la clase
- 5.2 Métricas de Genuinos vs. Impostores [PDF]
- 4.0 MÓDULO PR.E09
- 4.1 Cap. 04: CLASIFICACIÓN — Ejercicio PR.E09
- 4.1 Ejercicio PR.E09
- 4.1 Enunciado PR.E09 [Colab]
- 4.1 Solución PR.E09 [Colab]
- 4.1 ---------------------------------------------------------
- 5.1 MÓDULO PR.E10
- 5.1 Cap. 05: EVALUACIÓN — Ejercicio PR.E10
- 5.1 Ejercicio PR.E10
- 5.1 Enunciado PR.E10 [Colab]
- 5.1 Solución PR.E10 [Colab]
- 4.6 MÓDULO PR.04.E
- 4.6 Cap. 04: CLASIFICACIÓN — Deep Learning
- 4.5 Presentación [PDF] [PPT]
- 4.5 Python: Ejemplo CNN basico (ojo vs. nariz) [Colab]
- 5.1 AYUDANTIA EXAMEN
Updated on 19-Nov-2026 at 10:52 by Domingo Mery