Rozpoznávání

Předmět je náhradou za:

Rozpoznávání (33RPZ)

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

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.

Požadavky:

Osnova 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. Adaboost.

13. Výběr příznaků.

14. Shluková analýza.

Osnova 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. Prezentace semestrální práce.

Cíle studia:

Studijní materiály:

[1]Duda, Hart, Stork: Pattern Classification. 2nd edition, John Wiley, 2000

[2]Kotek a kol.: Metody rozpoznávání a jejich aplikace. Academia 1993

Poznámka:

Rozsah výuky v kombinované formě studia: 14+4

Typ cvičení: l, c, p

Předmět je nabízen také v anglické verzi.

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Kybernetika a měření - řídicí technika- strukturované studium (povinně volitelný předmět)
• Kybernetika a měření - umělá inteligence- strukturované studium (povinně volitelný předmět)
• Kybernetika a měření - měřicí a přístrojové systémy- strukturované studium (povinně volitelný předmět)
• Kybernetika a měření - letecké informační a řídicí systémy- strukturované studium (povinně volitelný předmět)