XD33RPZ | Rozpoznávání | Rozsah výuky: | 14+4 | ||
---|---|---|---|---|---|
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:
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) |