ČeskyEnglish

Popis předmětu - AE4B33RPZ

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
AE4B33RPZ Pattern Recognition and Machine Learning Rozsah výuky:2+2c
Garanti:Matas J. Role:PO,P,V Zakončení:Z,ZK
Vyučující:Matas J.
Zodpovědná katedra:13133 Kreditů:6 Semestr:Z

Anotace:

The basic formulations of the statistical decision problem are presented. The necessary knowledge about the (statistical) relationship between observations and classes of objects is acquired by learning on the raining set. The course covers both well-established and advanced classifier learning methods, as Perceptron, AdaBoost, Support Vector Machines, and Neural Nets.

Výsledek studentské ankety předmětu je zde: AE4B33RPZ

Cíle studia:

To teach the student to formalize statistical decision making problems, to use machine learning techniques and to solve pattern recognition problems with the most popular classifiers (SVM, AdaBoost, neural net, nearest neighbour).

Osnovy přednášek:

1. The pattern recognition problem. Overview of the Course. Basic notions.
2. The Bayesian decision-making problem, i.e. minimization of expected loss.
3. Non-bayesian decision problems.
4. Parameter estimation. The maximum likelihood method.
5. The nearest neighbour classifier.
6. Linear classifiers. Perceptron learning.
7. The Adaboost method.
8. Learning as a quadratic optimization problem. SVM classifiers.
9. Feed-forward neural nets. The backpropagation algorithm.
10. Decision trees.
11. Logistic regression.
12. The EM (Expectation Maximization) algorithm.
13. Sequential decision-making (Wald´s sequential test).
14. Recap.

Osnovy cvičení:

Students solve four or five pattern recognition problems, for instance a simplified version of OCR (optical character recognition), face detection or spam detection using either classical methods or trained classifiers.
1. Introduction to MATLAB and the STPR toolbox, a simple recognition experiment
2. The Bayes recognition problem
3. Non-bayesian problems I: the Neyman-Pearson problem.
4. Non-bayesian problems II: The minimax problem.
5. Maximum likelihood estimates.
6. Non-parametric estimates, Parzen windows.
7. Linear classifiers, the perceptron algorithm
8. Adaboost
9. Support Vector Machines I 10.Support Vector Machines II
11. EM algoritmus I 12.EM algoritmus II
13. Submission of reports. Discussion of results.
14. Submission of reports. Discussion of results.

Literatura:

1. Duda, Hart, Stork: Pattern Classification, 2001.
2. Bishop: Pattern Recognition and Machine Learning, 2006.
3. Schlesinger, Hlavac: Ten Lectures on Statistical and Structural Pattern Recognition, 2002.

Požadavky:

Knowledge of linear algebra, mathematical analysis and probability and statistics.

Poznámka:

https://cw.fel.cvut.cz/wiki/courses/ae4b33rpz/start

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/ae4b33rpz/start

Klíčová slova:

pattern recognition, statistical decision-making, machine learning, classification

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
BEKME3 Aplikovaná elektronika V 5
BEKME5 Komunikace a elektronika V 5
BEKME2 Multimediální technika V 5
BEKME1 Komunikační technika V 5
BEKME_BO Před zařazením do oboru V 5
BEKME4 Síťové a informační technologie V 5
BEEEM_BO Před zařazením do oboru V 5
BEEEM2 Elektrotechnika a management V 5
BEEEM1 Aplikovaná elektrotechnika V 5
BEKYR_BO Před zařazením do oboru V 5
BEKYR1 Robotika V 5
BEKYR2 Senzory a přístrojová technika V 5
BEKYR3 Systémy a řízení V 5
BPOI1 Počítačové systémy P
BPOI2 Informatika a počítačové vědy P
BPOI3 Softwarové systémy P
BPOI_BO Před zařazením do oboru P
BEOI2 Informatika a počítačové vědy PO 5


Stránka vytvořena 25.9.2017 12:47:26, semestry: L/2016-7, Z,L/2017-8, Z/2018-9, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.