Popis předmětu - B4B33RPZ

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B4B33RPZ Rozpoznávání a strojové učení
Role:PO, P, PZ 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/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:

Plán Obor Role Dop. semestr
BPBIO_2018 Před zařazením do oboru P 5
BPOI1_2018 Základy umělé inteligence a počítačových věd PZ 5
BPOI1_2016 Informatika a počítačové vědy PO 5
BPOI_BO_2016 Před zařazením do oboru PO 5


Stránka vytvořena 29.3.2024 15:50:06, semestry: Z/2024-5, Z,L/2023-4, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)