Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
33RPZ Rozpoznávání Rozsah výuky:2+2
Přednášející (garant):Matas J. Typ předmětu:Z Zakončení:Z,ZK
Zodpovědná katedra:333 Kreditů:4 Semestr:L

Anotace:
Základní úlohou rozpoznávání je nalezení trategie pro rozhodování o objektech minimalizující ztrátu plynoucí z chybných rozhodnutí. Potřebná znalost o vlastnostech objektů 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 neuronové sítě, klasifikátory typu nejbližší soused, ale i moderní klasifikátory typu support vector machines. Tématům shlukování, výběru příznaků vhodných pro rozpoznávání a strukturálnímu a syntaktickému 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.EM algoritmus (expectation maximization)
5. Neparametrické techniky. Metoda nejbližších sousedů. Parzenova okna
6. Vapnikova teorie učení. Strukturální riziko
7. Klasifikátory předpokládájící normální rozdělení příznaků. Lineární diskriminační funkce
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. Support Vector machines
11. Výběr příznaků
12. Shluková analýza

Osnovy cvičení:
1.-14.  Rozpoznávání v 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.

Literatura Č:
[1] Kotek, Z. a kol.: Metody rozpoznávání a jejich aplikace. Academia, Praha 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: s, c
Předmět je nabízen také v anglické verzi.

Předmět je zahrnut do těchto studijních plánů:
Plán Obor Role Dop. semestr
*TK Technická kybernetika S 8
*BIO Biomedicínské inženýrství Z 9


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)