1. Introducción al problema de percepción: percepción humana versus percepción computacional;
2. Adquisición, representación, procesamiento y propiedades de imágenes;
3. Representación de formas y segmentación tradicional;
4. Análisis y representación de texturas, y
5. Análisis de movimiento.

1. Percepción computacional bajo el enfoque de machine learning;
2. Tipos de machine learning: supervisado, no supervisado y por refuerzo;
3. Aprendizaje, teoría de generalización, overfitting y underfitting, y
4. Técnicas de estimación y métricas de evaluación: holdout, cross-validation, matriz de confusión y curva ROC.

Algoritmos de machine learning para percepción

1. Regresión logística y clasificador softmax;
2. Redes neuronales feed-forward;
3. Redes neuronales convolucionales;
4. Autoencoders;
5. Deep learning, y
6. Redes neuronales recurrentes: LSTM.

Percepción visual

1. Técnicas de extracción manual de características de imágenes y video: LBP, HOG, Haar;
2. Clasificación de imágenes;
3. Detección de objetos, y
4. Segmentación.

1. Técnicas de extracción manual de características de sonido;
2. Codificación de palabras: word-embedding;
3. Reconocimiento de voz, y
4. Predicción de texto.