Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
X33RPZ |
Rozpoznávání |
Rozsah výuky: | 2+2 |
Přednášející (garant): | Matas J. |
Typ předmětu: | S |
Zakončení: | Z,ZK |
Zodpovědná katedra: | 333 |
Kreditů: | 4 |
Semestr: | L |
Anotace:
Základní úlohou rozpoznávání je nalezení strategie rozhodování minimalizující ztrátu plynoucí z chybných rozhodnutí. Potřebná znalost o (typicky statistickém) vztahu příznaků, t.j. pozorovatelných vlastností objektů, a skrytých parametrů objektů (t.j. třídě) je získána učením. Jsou představeny základní formulace úlohy rozpoznávání a principy učení. Návrh, učení a vlastnosti základních typů klasifikátorů (t.j. strojů realizující rozhodovací strategii) jsou rozebrány do hloubky. Do této skupiny jsou zahrnuty parametrické klasifikátory, perceptron, vícevrstvé klasifikátory typu support vector machines. Tématům shlukování a výběru příznaků vhodných pro rozpoznávání se každému věnuje jedna přednáška.
Osnovy přednášek:
1. | | Formulace úlohy rozpoznávání. Základní pojmy, "mapa" předmětu. Příklady aplikací. |
2. | | Bayesovská formulace rozhodování jako minimalizace střední ztráty. |
3. | | Nebayesovské úlohy statistického rozhodování. |
4. | | Odhady parametrů. Metoda maximální věrohodnosti. Bayesovské odhadování. |
5. | | EM algoritmus (expectation maximization). |
6. | | Klasifikátory předpokládající normální rozdělení příznaků. Lineární diskriminační funkce. |
7. | | Neparametrické techniky. Metoda nejbližších sousedů. Parzenova okna. |
8. | | Neuronové sítě 1. Perceptron. Perceptronový algoritmus a jeho konvergence. |
9. | | Neuronové sítě 2. Vícevrstvé sítě MLP (multilayer perceptron) a RBF (radial basis functions). Učení zpětným šířením (backpropagation). |
10. | | Vapnikova teorie učení. Strukturální riziko. |
11. | | Support Vector Machines. |
12. | | Výběr příznaků. |
13. | | Shluková analýza. |
14. | | |
Osnovy cvičení:
Skupina dvou studentů řeší rozpoznávací úlohu na datech z velké, veřejně dostupné databáze, např. ručně psaných znaků. V první fázi je úkolem navrhnout jednoduchý klasifikátor za omezeného množství trénovacích vzorků a odhadnout chybu klasifikace na testovací množině. V druhé části úlohy studenti porovnají predikované a skutečné chování na testovací množině a výsledek statisticky vyhodnotí. V poslední úloze aplikují studenti na data některou z metod shlukové analýzy.
1. | | Úvod do MATLABu. |
2. | | Vstupní test. Řešené příklady na základy pravděpodobnosti. |
3. | | Bayesův klasifikátor. |
4. | | ML odhad. |
5. | | Perceptron I. |
6. | | Perceptron II. |
7. | | Shluková analýza. |
8. | | Support Vector Machines. |
9. | | Redukce dimenze příznakového prostoru. |
10. | | Semestrální práce. |
11. | | Semestrální práce. |
12. | | Semestrální práce. |
13. | | Semestrální práce. |
14. | | |
Literatura Č:
[1] | | Kotek a kol.: Metody rozpoznávání a jejich aplikace. Academia, 1993 |
[2] | | Devijver, Kittler: Pattern Recognition. Prentice Hall, 1982 |
Literatura A:
[1] | | Devijver, Kittler: Pattern Recognition. Prentice Hall, 1982 |
Požadavky:
Rozsah výuky v kombinované formě studia: 14+4 |
Typ cvičení: l, c, p |
Předmět je nabízen také v anglické verzi. |
|
Předmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 25. 2. 2002, semestry: Z/2001-2, Z/2002-3, L/2001-2, L/2002-3, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |