Temari de teoria:

1. Què és el reconeixement de formes (RF)?. Configuració d'un sistema RF. Taxonomia del RF.
2. Introducció a la probabilitat. Teoria de la decisió de Bayes. Estimació de l'error. Funcions discriminants. La funció de densitat en distribucions normal. Estimadors de densitat de probabilitat..
3. Finestres de Parzen. Regles dels k-veïns mes pròxims. Veïnat envoltant. Selecció de prototips: Edició i Condensat.
4. Anàlisi d'agrupaments. Validació de l'agrupament. Aproximació difusa.
5. Estratègies de cerca. Funció criteri: error de classificació, separació entre classes, mesures de dependència i mesures d'informació. Ponderació de característiques. Extracció de característiques.

Temari de pràctiques:

1. Generació de classes en 2D. Distribucions normals multidimensionals i projeccions. Visualització d'una imatge multiespectral.
2. Entrenament amb classificadors paramètrics. Estimació de densitat de probabilitat.
3. Entrenament amb classificadors no paramètrics. Edició i condensat.
4. Matriu de confusió. Clustering utilitzant l'algoritme k-means, EM clustering i clustering jeràrquic.
5. Selecció de característiques amb tècniques wrapper.
6. Maneig d'una màquina de suport vectorial. Visualització de dades en l'espai kernel.