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:
|
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) |