Teoría Moderna de la Detección y Estimación
Programa
_____________________________________________________________________________________
Bloque 0 - Introducción al Aprendizaje Estadístico y Máquina
0.1. Conceptos de estimación y clasificación
0.2. Ejemplos de aplicación de las técnicas de estimación y clasificación
0.3. Métodos analíticos, semianalíticos y máquina
0.4. Prerrequisitos
Bloque 1 - Estimación Analítica y Máquina
1.1. Visión general de la estimación: enfoques analítico y máquina
1.2. Diseño de estimadores bajo enfoque analítico
* Estimación ML de parámetro determinista
* Teoría bayesiana de la estimación. Funciones de coste. Estimación MSE, ML y MAP. Caso gaussiano
* Estimación lineal de mínimo error cuadrático medio
* Sesgo y varianza de estimadores
1.3. Diseño de estimadores bajo enfoque máquina
* Diseño máquina de estimadores: procedimiento general
* Regresión lineal de mínimos cuadrados
* Regresión semilineal
Bloque 2 - Decisión Analítica y Máquina
2.1. Visión general del problema de decisión: enfoques analítico y máquina
2.2. Diseño de decisores bajo enfoque analítico
* Decisión ML y MAP
* Minimización del Coste Medio: decisor bayesiano óptimo
* Caso binario. Tests LRT. Probabilidades de Falsa Alarma, Pérdida y Detección. Curvas características (OC). Caso con verosimilitudes gaussianas
2.3. Diseño de clasificadores bajo enfoque máquina
* Conjuntos de entrenamiento, validación y test. Generalización.
* Clasificadores máquina lineales
* Clasificadores máquina no lineales: enfoque semilineal
Bloque 3 - Filtrado de Series Temporales
3.1. Introducción al filtrado lineal.
3.2. Solución ML, Wiener, Bayesiana
3.3. Filtrado online.