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

• 0.1-Video de esta clase [YouTube]
• 0.1-Programa del curso [PDF]
• 0.1-Presentacion del curso [PPT]
• 0.1-Libro: Elements of Statistical Learning (Hastie et al., 2008) [Book]
• 0.1-Libro: Neural Networks and Deep Learning (Aggarwal, 2019) [Book]
• 0.1-Libro: Deep Learning (Goodfellow, 2016) [Book]
• 0.1-Libro: Computer Vision (Szeliski, 2010) [Book]
• 0.1-Libro: Computer Vision for X-ray Testing (Mery, 2015) [Book]
• 1.1-Ejercicio vision humana [PPT]

• 1.2-Video de esta clase [YouTube]
• 1.2-Ejemplo practico [PPT]
• 1.5-Definiciones [PPT]
• 1.1-Vision humana / Vision por computador [PPT]
• 1.1-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 1.3-Video de esta clase [YouTube]
• 1.3-Formulacion metodologica [PPT]
• 1.3-Lectura complementaria [PDF]
• 1.2-Ejemplo separacion de dos letras [Colab]
• 1.4-Esquema basico de reconocimiento de patrones [PPT]

• 2.1-Video de esta clase [YouTube]
• 2.1-Caracteristicas geometricas [PPT]
• 2.1-Caracteristicas geometricas [Paper]
• 2.1-Ejemplo sobre caracteristicas geometricas [Colab]
• 2.1-Momentos de Flusser [Paper]
• 2.1-Momentos de Hu [Paper]
• 2.1-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 2.1-Video de esta clase [YouTube]
• 2.1-Descriptores de Fourier [Pizarra]
• 2.1-Descriptores de Fourier [PPT]
• 2.1-Ejemplo sobre descriptores de Fourier [Colab]
• 2.2-Local Binary Patterns [PPT]
• 2.2-Paper de LBP [Paper]

• 2.2-Video de esta clase [YouTube]
• 2.2-Local Binary Patterns [PPT]
• 2.2-Ejemplo sobre LBP en reconocimiento facial [Colab]
• 2.2-Ejercicio en clases > Login Student > PATRONES [Socrative]
• 2.2-Local Binary Patterns (invariante a la rotacion) [PPT]
• 2.2-Lectura complementaria de LBP [Paper]

• 2.2-Video de esta clase [YouTube]
• 2.2-Caracteristicas de textura de Haralick [PPT]
• 2.2-Paper de Haralick [Paper]
• 2.2-Caracteristicas de Gabor [PPT]
• 2.2-Paper de Gabor [Paper]
• 2.2-Aplicacion de caracteristicas de Gabor [Paper]
• 2.2-Ejemplo sobre reconocimiento de texturas [Colab]
• 2.2-Video experimento con gatos (1/2) [Video]
• 2.2-Video experimento con gatos (2/2) [Video]
• 2.2-Comparacion de caracteristicas de textura [Paper]

• 2.2-Video de esta clase [YouTube]
• 2.2-Ejercicico 04 sobre deteccion de caras [Colab]
• 2.2-Solucion al Ejercicio 04 [Colab]

• 2.2-Video de esta clase [YouTube]
• 2.2-Histogram of Gradients (HoG) [PPT]
• 2.2-Paper HoG [Paper]
• 2.2-Deteccion de peatones usando HoG [Colab]
• 2.2-SIFT (Intro) [PPT]
• 2.2-Paper SIFT [PPT]
• 2.2-Reconocimiento de vacas usando SIFT [Colab]
• 2.2-Implementacion de HoG en Python con OpenCV [phyton]

• 2.2-Video de esta clase [YouTube]
• 2.2-SIFT [PPT]
• 2.2-Reconocimiento de vacas usando SIFT [Colab]
• 2.2-Ejercicico 05 sobre deteccion de paredes rayadas [Colab]
• 2.2-Solucion al Ejercicio 05 [Colab]

• 2.2-Video de esta clase [YouTube]
• 2.2-Caracteristicas de intensidad [PPT]
• 2.2-Caracteristicas de intensidad [Paper]
• 2.2-Crossing Line Profile (CLP) [PPT]
• 2.2-Crossing Line Profile (CLP) [Paper]
• 2.2-Ejemplo de Caracteristicas de Intensidad (basicas, contraste, CLP) [Colab]

• 3.1-Video de esta clase [YouTube]
• 3.1-Introduccion a la Seleccion de Caracteristicas [Apuntes]
• 3.1-Introduccion a la Seleccion de Caracteristicas [PPT]
• 3.1-Introduccion a la Seleccion de Caracteristicas [Paper]
• 3.4-Busqueda Exhaustiva [PPT]
• 3.4-Ejercicico 06 sobre deteccion de espinas en filetes de salmon [Colab]
• 3.4-Solucion al Ejercicio 06 [Colab]

• 3.1-Video de esta clase [YouTube]
• 3.1-Clean: Limpieza de datos [PPT]
• 3.5-SFS [PPT]
• 3.5-Ejemplo de Seleccion de Caracteristicas [Colab]

• 3.3-Video de esta clase [YouTube]
• 3.3-Discriminante Fihser y Matrices de Covarianza [PPT]
• 3.3-Discriminante Fihser y Matrices de Covarianza [Apuntes]
• 3.7-Branch and Bound [PPT]
• 3.3-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 3.3-Video de esta clase [YouTube]
• 3.4-Seleccion versus Transformacion [PPT]
• 3.5-Principal Components Analysis PCA [PPT]
• 3.4-Ejemplo de PCA, ICA, PLSR [Colab]
• 3.4-ICA [Apuntes]

• 3.3-Video de esta clase [YouTube]
• 3.1-Esquema general con seleccion de caracteristicas [Apuntes]
• 3.5-Bateria de Ejemplos de Seleccion de Caracteristicas [Colab]
• 3.1-How to Perform Feature Selection With Numerical Input Data [Apuntes]
• 3.1-Libreria PyBalu en Python [Libreria]
• 3.1-Libreria sklearn para Feature Selection [Libreria]
• 3.1-Libreria mlxtend [Python]
• 3.5-Ejercicio 08 sobre Seleccion/Transformacion de Caracteristicas [Colab]
• 3.5-Esquema del Ejercicio 08 [PPT]
• 3.5-Solucion al Ejercicio 08 [Colab]

• 4.1-Video de esta clase [YouTube]
• 4.1-Introduccion [PPT]
• 4.2-Clasificador KNN - vecino mas cercano [PPT]
• 4.2-Clasificador DMIN - distancia minima [PPT]
• 4.4-Clasificador de Bayes [PPT]
• 4.2-Clasificadores basicos [Colab]

• 4.3-Video de esta clase [YouTube]
• 4.3-Clasificadores LDA, QDA, Mahalanobis [PPT]
• 4.3-Arboles de decision [PPT]
• 4.1-Entropia [YouTube]
• 4.2-Clasificadores basicos [Colab]
• 4.1-Visualizacion del espacio de caracteristicas [Colab]

• 4.1-Video de esta clase [YouTube]
• 4.2-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 4.6-Video de esta clase [YouTube]
• 4.6-Redes Neuronales [PPT]
• 4.6-Algoritmo Backpropagation [Apuntes]
• 4.6-Clasificador basado en Redes Neuornales [Colab]
• 4.6-Ejemplo NN en MNIST con pytorch [Colab]
• 4.6-Libro de Neural Networks and Deep Learning [Book]

• 4.1-Video de esta clase [YouTube]
• 4.7-Deep Learning [PPT]
• 4.7-Ejemplo CNN basico (ojo vs. nariz) [Colab]
• 4.7-Ejemplo CNN basico (MNIST) [Colab]
• 4.7-Ejemplo CNN simple (defectos en llantas) [Colab]
• 4.7-Explicacion de CNN gatos vs. perros [Nota]
• 4.7-Ejemplo CNN intermedio (gatos vs. perros) [Colab]
• 4.7-Ejemplo CNN intermedio (lunares: 2 clases) [Colab]
• 4.7-Ejemplo CNN intermedio (lunares: 7 clases) [Colab]
• 7.1-Descripcion de Proyecto [Proyecto]

• 4.1-Video de esta clase [YouTube]
• 2.1-Ejemplo de como extraer caracteristicas en directorios [Colab]
• 4.5-Introduccion a SVM [PPT]
• 4.5-Teoria sobre SVM [Apuntes]
• 4.5-Teoria sobre SVM [Paper]
• 4.5-Teoria sobre SVM [Paper]
• 4.5-Tutorial de SVM en phyton [YouTube]
• 4.5-Video de teoria de SVM (MIT lesson) [YouTube]
• 4.5-Ejemplo de SVM con sklearn [Colab]

• 5.1-Video de esta clase [YouTube]
• 5.5-Estimacion de Accuracy [PPT]
• 5.5-Ejemplo de estimacion de accuracy [Colab]
• 5.5-Seleccion de Modelos [PDF]

• 5.1-Video de esta clase [YouTube]
• 5.2-Matriz de Confusion [PPT]
• 5.3-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 5.1-Video de esta clase [YouTube]
• 7.1-Analisis Facial [PPT]
• 5.3-Metricas de Genuinos vs. Impostores [PPT]
• 5.3-Metricas de Genuinos vs. Impostores [PDF]
• 5.3-Ejemplo de ArcFace y metricas de evaluacion [Colab]

• 7.1-Video de esta clase [YouTube]
• 7.1-Como hacer el proyecto [PPT]
• 7.1-Machine Learning Yearing (Libro) [Book]

• 7.1-Video de esta clase [YouTube]
• 6.2-Clustering: K-Means [PPT]
• 6.2-Clustering: Hierarchic [PPT]
• 6.2-Clustering: Mixture of Gaussians [PPT]
• 6.2-Clustering: Mean Shift [PPT]
• 6.2-Ejemplos de Clustering [Colab]
• 6.2-Ejemplo de Face-Clusering [Colab]

• 7.1-Video de esta clase [YouTube]
• 6.3-BoW: Bag of Words [PPT]
• 6.3-Ejemplo de Bag of Words [Colab]
• 6.3-Ejercicio en clases > Login Student > PATRONES [Socrative]

• 7.1-Video de esta clase [YouTube]
• 7.1-Presentacion de avances de proyecto (1/2) [Proyecto]

• 7.1-Video de esta clase [YouTube]
• 7.1-Presentacion de avances de proyecto (2/2) [Proyecto]

Updated on 07-Mar-2022 at 17:36 by Domingo Mery