Tècniques de Classificació i Discriminació (TCD)
| Professors Responsables: |
TOMAS ALUJA BANET (aluja eio.upc.edu)
|
|
Crèdits: 6.0 (3.0 T 1.5 P 1.5 L)
| |
Departament:
EIO
|
Tipus d'assignatura
Optativa per la EI
Requisits de l'assignatura
|
ES2
- Pre-requisit per la EI
|
|
|
TMIA
- Correquisit per la EI
|
|
Objectius docents
Aquesta assignatura és continuació de la de Algoritmes i Software Estadístic.
L'objectiu bàsic és aprendre les tècniques estadístiques per a la presa de
decisions i la seva implementació en un sistema informàtic. Aquesta
assignatura se situa a mig camí entre l'Estadística i la Intel.ligencia
Artificial, puix presenta les eines de síntesi i d'aprenentatge de regles
de decisió a partir de la informació continguda en les dades.
Els sistemes per a la presa de decisions creats són d'ampli ús en l'entorn
professional, tant per les empreses com per les institucions públiques, també
en medicina, en investigació de mercats, etc.
Programa
1. Introducció
- L'Anàlisi de Dades.
- Informació i significació.
2. Metòdes de Classificació
- Mesures de proximitat entre individus.
- Algorisme de Classificació Ascendent Jeràrquica.
- La CAJ segons el criteri de Ward.
- Mètodes de classificació directa. Les mitjanes mòbils.
- Altres mètodes de partició directa.
- Estratègies mixtes de classificació.
- Caracterització de les classes.
3. Mètodes de Discriminació
- Anàlisi Discriminant Lineal. Formulació del problema.
- Càlcul de les funcions discriminants.
- Cas de 2 grups.
- Regressió equivalent.
- Regles geomètriques d'afectació.
- Discriminació sobre variables qualitatives.
- Mètodes de discriminació probabilista.
- Discriminació màxim-versemblant, quadràtica i
bayessiana.
- Proves d'hipòtesi.
- Selecció de les millors variables dicriminants.
- Estimació de la taxa d'error.
- Discriminació logística.
- Discriminació no paramètrica: els k-veins més propers.
- Mètodes de segmentació: El mètode CART.
- Discriminació amb xarxes neuronals.
Avaluació
L'avaluació de l'assignatura es realitzarà a partir de la nota
obtinguda en les tres pràctiques realitzades durant el curs (40%), més
la qualificació obtinguda en una pràctica final (60%). Aquesta pràctica
haurà de ser defensada públicament davant de la classe.
Càrrega
Les pràctiques ordinaries durant el curs es realitzaràn en classe de
laboratori, mentre que la pràctica final es realitzarà en el temps lliure
de l'alumne
Bibliografia
Bibliografia bàsica
- LEBART, L.; MORINEAU, A.; FENELON, J-P Tratamiento
Estadístico de Datos Marcombo, 1985
- VOLLE, M Analyse des Données Economica, 1984
- McLAHAN, G.J Discriminant Analysis and Statistical Pattern Recognition John Wiley, 1992
- PAO YOH-HAN Adaptative Pattern Recognition and Neural Networks Addison-Wesley, 1989
|
