Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
Webová stránka:
https://cw.fel.cvut.cz/wiki/courses/B4B33RPZ
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 z dané třídy je získána učením. Jsou představeny základní formulace úlohy rozpoznávání a principy učení. Návrh, učení a vlastnosti základních typů klasifikátorů (perceptron, support vector machines, adaboost a neuronové sítě) jsou rozebrány do hloubky.
Tento předmět je také součástí meziuniverzitního programu prg.ai Minor. Ten spojuje to nejlepší z výuky AI v Praze s cílem poskytnout studujícím hlubší a širší vhled do oboru umělé inteligence. Více informací je k dispozici na webu
https://prg.ai/minor.
Cíle studia:
Naučit studenta formulovat úlohu statistického rozhodování (rozpoznávání), používat metody strojového učení, a řešit rozpoznávací úlohu pomocí nejpoužívanějších učících se klasifikátorů (SVM, Adaboost, neuronová síť, perceptron, nejbližší soused)
Osnovy přednášek:
| 1. | | Úvod. Formulace úloh řešených v rozpoznávání. Mapa předmětu. Pojmy. |
| 2. | | Bayesovská úloha rozhodování. |
| 3. | | Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald, Linnik). |
| 4. | | Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. |
| 5. | | Logistická regrese. |
| 6. | | Učení klasifikátoru.Lineární klasifikátor. Perceptron. |
| 7. | | Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. |
| 8. | | Učení metodou Adaboost. |
| 9. | | Neuronové sítě. Učení metodou backpropagation. |
| 10. | | Metoda nejližších sousedů. Neparametricé odhady hustoty. |
| 11. | | Shlukování metodou k-means |
| 12. | | Rozhodovací stromy. |
| 13. | | Princial compont analysi. Fisherův linární diskriminant. |
| 14. | | Rezerva. Druhý průchod látkou. |
Osnovy cvičení:
Studenti řeší několik rozpoznávacích úloh, např. rozpoznání ručně psaných znaků, identifikaci obličeje či detekci spamu pomocí jak klasických metod, tak pomocí učících se klasifikátorů.
| 1. | | Úvodní cvičení. Instalace STPR toolboxu, práce s Matlabem, jednoduchý příklad |
| 2. | | Bayesovská úloha rozhodování. |
| 3. | | Nebayesovské úlohy - úloha Neyman-Pearson |
| 4. | | Nebayesovské úlohy - Minimaxní úloha |
| 5. | | Maximálně věrohodný odhad |
| 6. | | Neparametrické odhady Parzenova okénka |
| 7. | | Lineární klasifikátor - Perceptron |
| 8. | | AdaBoost |
| 9. | | Support Vector Machines I 10.Support Vector Machines II |
| 11. | | EM algoritmus I 12.EM algoritmus II |
| 13. | | Odevzdávání a kontrola úloh |
| 14. | | Odevzdávání a kontrola úloh |
Literatura:
| 1. | | Duda, Hart, Stork: Pattern Classification, John Willey and Sons, 2nd edition, New York,2001. |
| 2. | | Schlesinger, Hlavac: Ten Lectures on Statistical and Structural Pattern Recognition, 2002 (Deset přednášek z teorie statistického a strukturního rozpoznávání, 1997). |
Požadavky:
Předpokládá se znalost lineární algebry, mat. analýzy a pravděpodobnosti a statistiky.
Klíčová slova:
statistické rozhodování, strojové učení, klasifikace,
Předmět je zahrnut do těchto studijních plánů:
| Stránka vytvořena 13.9.2024 09:51:37, semestry: Z,L/2024-5, Z/2025-6, Z,L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |