GRUPO: 
Tópicos Avançados

OBJETIVOS GERAIS DA DISCIPLINA: 
Fornecer ao aluno conhecimentos básicos teóricos sobre técnicas de reconhecimento de padrões além de ilustrar a aplicação de tais conhecimentos em problemas práticos.

EMENTA DO PROGRAMA: 
Introdução, Reconhecimento estatístico de padrões, Reconhecimento de padrões baseado em Redes Neurais, Métricas de desempenho de classificadores, Aplicações de reconhecimento de padrões.

DESCRIÇÃO DO PROGRAMA: 
Introdução
Sistemas de reconhecimento de padrões (RP)
Conceitos em reconhecimento de padrões: representação, extração e seleção de características
Ciclo de desenvolvimento de sistemas de RP
Teoria Bayesiana de decisão – atributos contínuos
Classificador de mínimo erro
Testes de Neyman Pearson e Minimax e Cálculo da Probabilidade de Erro
Classificador por máxima-verossimilhança
Classificador de mínimo risco
Classificadores, funções discriminantes e superfícies de decisão - caso de 2 categorias, multicategorias - classificação Bayesiana para distribuições normais
Teoria Bayesiana de decisão – atributos discretos 
Introdução à Teoria de Estimação de Parâmetros e Aprendizado Bayesiano com supervisão
Estimação por máxima-verossimilhança
Estimação por máximo à posteriori (MAP)
Maximização da esperança (algoritmo EM)
Métodos de Extração e Seleção de Atributos
Agregação de Dados
Técnicas não Paramétricas
Estimação de densidade (Janela de Parzen e k-vizinho mais próximo)
Classificador do k-vizinho mais próximo (KNN)
Reconhecimento de padrões baseado em Redes Neurais Artificiais (RNA)
Perceptron ( simples, multiplas camadas (MLP) )
Função de base radial (RBF)
Mapas auto-organizáveis (Kohonen)
Hopefield
Máquinas de suporte vetorial (SVM)
Reconhecimento de padrões baseado em árvores de decisão
Métricas de desempenho de classificadores
Sensibilidade, Especificidade, curvas ROC
Aplicações de reconhecimento de padrões

BIBLIOGRAFIA:
1. R.O. Duda, P. E. Hart, D. Stork, Pattern Classification, John Wiley & Sons, NY, 2000. 
2. A.R.Webb, Statistical Pattern Recognition, John Wiley & Sons, NY, 2002.
3. K.S. Fu, Syntactic Pattern Recognition and Applications, Prentice-Hall, Englewood Cliffs, NJ, 1982.
4. K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990; 
5. A.K. Jain and R. C. Dubes, Algorithms for Clustering Data, Prentice Hall, 1988; 
6. A.K. Jain, N.M. Murty and P.J. Flynn, Data Clustering: A review, ACM Computing Surveys, 31(3): 264-323,1999;
7. A.K. Jain, R.P.W. Duin and J. Mao, Statistical Pattern Recognition: A Review, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(1):4-37,2000; 
8. E. Gose, R. Johnsonbaugh, S. Jost, Pattern Recognition and Image Analysis, Prentice Hall, NJ, 1996; 
9. T. Pavlidis, Structural Pattern Recognition, Springer-Verlag, NY, 1977; 
10. B. D. Ripley, Pattern Recognition and Neural Networks, Cambridge University Press, 1996; 
11. R. J. Schalkoff, Pattern Recognition: Statistical, Structural and Neural Approaches, John Wiley and Sons, 1992; 
12. S. Theodoridis & K. Koutroumbas, Pattern Recognition, Academic Press, 1999;