Popis předmětu - B4B33RPZ
Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
| B4B33RPZ | Rozpoznávání a strojové učení | ||
|---|---|---|---|
| Role: | P, PZ, PO | Rozsah výuky: | 2P+2C |
| Katedra: | 13133 | Jazyk výuky: | CS |
| Garanti: | Matas J. | Zakončení: | Z,ZK |
| Přednášející: | Drbohlav O., Matas J. | Kreditů: | 6 |
| Cvičící: | Osob je mnoho | Semestr: | Z |
Webová stránka:
https://cw.fel.cvut.cz/wiki/courses/B4B33RPZAnotace:
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 implementují v Pythonu postupně většinu algoritmů strojového učení tak, jak jsou vysvětlovány na přednáškách.| 1. | Úvodní cvičení: info o cvičení, Python, NumPy, jednoduchý příklad | |
| 2. | Bayesovská úloha rozhodování | |
| 3. | Nebayesovské úlohy - Minimaxní úloha | |
| 4. | Neparametrické odhady - Parzen windows | |
| 5. | MLE, MAP a Bayesovské odhady parametrů | |
| 6. | Logistická regrese | |
| 7. | počítací cvičení | |
| 8. | Lineární klasifikátor - Perceptron | |
| 9. | Support Vector Machine | |
| 10. | AdaBoost | |
| 11. | Shluková analýza k-means | |
| 12. | Konvoluční neuronové sítě | |
| 13. | Zápočty, opakování, počítací cvičení |
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 18.4.2026 17:50:22, semestry: L/2027-8, Z/2025-6, L/2028-9, L/2026-7, Z/2027-8, L/2029-30, L/2025-6, Z/2028-9, Z/2026-7, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: I. Halaška (K336), J. Novák (K336) |