1. IDENTIFICACIÓN
|
Asignatura |
Reconocimiento de Patrones |
Guía No. |
3 |
|||||||||||||
|
Área |
Electivas |
Nivel |
9-10 |
|||||||||||||
|
Código |
PRI94 |
Pensum |
10 |
|||||||||||||
|
Correquisito(s) |
|
Prerrequisito(s) |
|
|||||||||||||
|
Créditos |
2 |
TPS |
4 |
TIS |
8 |
TPT |
64 |
TIT |
128 |
|||||||
|
TRABAJO INDEPENDIENTE |
TRABAJO PRESENCIAL |
|||||||||||||||
|
Trabajo Teórico |
|
Trabajo Práctico |
|
Trabajo Teórico |
|
Trabajo Práctico |
|
|||||||||
2. IDENTIFICACIÓN
|
COMPETENCIAS |
CONTENIDO TEMÁTICO |
INDICADOR DE LOGRO |
|
Conocer y aplicar el Discriminante (lineal) de Fisher para la clasificación. |
Discriminantes Lineales |
Comprende y aplica el Discriminante de Fisher para clasificar |
|
Conocer y aplicar los Arboles de Clasificación y Arboles de Regresión. |
Arboles de Decisión - Arboles de Clasificación - Arboles de Regresión |
Comprende y aplica los Arboles de Clasificación y Regresión. |
|
Conocer e implementar técnicas de Minería de Datos no supervisadas para la creación de grupos. |
Técnicas de Agrupamiento |
Comprende y aplica la Técnica de K-medias (Kmeans) para la creación de grupos. |
3. RECURSOS REQUERIDOS
Algunos ejemplos de los recursos requeridos pueden ser:
– Salas de sistemas
– Herramientas de Software: Matlab y las funciones vistas en clase
4. PROCEDIMIENTO
Dada la información siguiente:
|
Atributo 1 |
Atributo 2 |
Clasificación 1 |
Clasificación 2 |
|
4.4 |
3.5 |
|
|
|
7.4 |
7.1 |
|
|
|
8.4 |
7.9 |
|
|
|
7.2 |
7.6 |
|
|
|
2.6 |
5.9 |
|
|
|
8.7 |
10.0 |
|
|
|
8.6 |
8.0 |
|
|
|
7.2 |
10.6 |
|
|
|
4.5 |
4.3 |
|
|
|
4.1 |
5.0 |
|
|
|
8.3 |
10.4 |
|
|
|
7.0 |
10.0 |
|
|
|
4.1 |
3.9 |
|
|
|
8.4 |
10.6 |
|
|
|
7.3 |
10.9 |
|
|
|
3.3 |
3.9 |
|
|
|
2.6 |
4.3 |
|
|
|
4.2 |
4.0 |
|
|
|
7.9 |
7.3 |
|
|
|
2.2 |
3.1 |
|
|
|
7.0 |
8.3 |
|
|
|
7.4 |
8.1 |
|
|
|
5.4 |
2.3 |
|
|
|
7.5 |
7.7 |
|
|
|
7.5 |
10.2 |
|
|
|
3.3 |
4.9 |
|
|
|
3.2 |
3.9 |
|
|
|
9.0 |
8.3 |
|
|
|
7.9 |
9.3 |
|
|
|
7.8 |
9.5 |
|
|
Punto 1.
Utilizando la función “kmeans”, crear tres grupos y completar la columna de “Clasificación 1” de la tabla anterior.
Punto 2.
Utilizando la función “kmeans”, crear dos grupos y completar la columna de “Clasificación 2” de la tabla anterior.
Punto 3.
Crear una gráfica para cada una de las clasificaciones (pegar las gráficas). Sí usted debe seleccionar una clasificación, ¿Cuál considera usted que es la mejor clasificación y por qué?
Punto 4.
Utilizar la clasificación que usted selecciono y el discriminante de Fisher para clasificar las observaciones siguientes: {(Atributo1=8.5, Atributo2=9.2); (Atributo1=5.9, Atributo2=6.2)}
5. PARÁMETROS PARA ELABORACIÓN DEL INFORME
El trabajo es individual y enviado al correo carlossoto@itm.edu.co a más tardar en 15 días.
6. BIBLIOGRAFÍA
HERNÁNDEZ, J.; RAMÍREZ, M.J. y FERRI, C., "Introducción a la Minería de Datos", Ed. Pearsón Educación, S.A., Madrid, 2004
MARQUES DE SA, J.P., "Pattern Recognition - Concepts, Methods And Applications", Ed. Springer, 2001.
THEODORIDIS, S. y KOUTROUMBAS, K., "Pattern Recognition", 2. Ed., Academic Press, 2003.
WEBB, A., "Statistical Pattern Recognition", 2. Ed., John Wiley & Sons, 2002.
|
Elaborado por: |
Nombre del docente |
|
Versión: |
Número de la versión del diseño |
|
Fecha: |
Fecha de aprobación del diseño |
|
Aprobado por: |
Nombre del Jefe de Programa que aprueba |
