Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
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:
Plán Obor Role Dop. semestr
MKM02-D Kybernetika a měření S 2
MKM04-D Kybernetika a měření S 2
MKM01-D Kybernetika a měření S 2
MKM03-D Kybernetika a měření S 2


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)