Skip to content
domingomeryPublic

About

Curso de Reconocimiento de Patrones

Resources

Stars

28 stars

Watchers

0 watching

Forks

Latest commit

 

History

152 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 

Repository files navigation

Reconocimiento de Patrones

Planificacion del curso por dia

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


Clase 01 Ma. 11-Aug-2026:

  • 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]

Clase 02 Ju. 13-Aug-2026:

  • 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]

Clase 03 Ma. 18-Aug-2026:

  • 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]

Clase 04 Ju. 20-Aug-2026:

  • 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]

Clase 05 Ma. 25-Aug-2026:

  • 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]

Clase 06 Ju. 27-Aug-2026:

  • 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]

Clase 07 Ma. 01-Sep-2026:

  • 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]

Clase 08 Ju. 03-Sep-2026:

  • 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]

Clase 09 Ma. 06-Oct-2026:

  • 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]

Clase 10 Ju. 08-Oct-2026:

  • 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]

Clase 11 Ma. 13-Oct-2026:

  • 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]

Clase 12 Ma. 20-Oct-2026:

  • 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]

Clase 13 Ju. 22-Oct-2026:

  • 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]

Clase 14 Ma. 27-Oct-2026:

  • 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]

Clase 15 Ju. 29-Oct-2026:

  • 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]

Clase 16 Ma. 03-Nov-2026:

  • 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]

Clase 17 Ju. 05-Nov-2026:

  • 4.6   AYUDANTIA INTERROGACIÓN I2

Clase 18 Ju. 12-Nov-2026:

  • 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]

Clase 19 Ma. 17-Nov-2026:

  • 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]

Clase 20 Ju. 19-Nov-2026:

  • 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]

Clase 21 Ma. 24-Nov-2026:

  • 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]

Clase 22 Ju. 26-Nov-2026:

  • 5.1   AYUDANTIA EXAMEN

Updated on 19-Nov-2026 at 10:52 by Domingo Mery

About

Curso de Reconocimiento de Patrones

Resources

Stars

28 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages