Přehled studia |
Přehled oborů |
Všechny skupiny předmětů |
Všechny předměty |
Seznam rolí |
Vysvětlivky
Návod
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 (třídě) je získána učením. Jsou představeny základní formulace úlohy rozpoznávání a principy učení. Návrh, učení a vlastnosti základních typů klasifikátorů (strojů realizující rozhodovací strategii) jsou rozebrány do hloubky. Do této skupiny jsou zahrnuty parametrické klasifikátory, perceptron, klasifikátory typu support vector machines, adaboost a neuronové sítě.
Výsledek studentské ankety předmětu je zde:
A4B33RPZ
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. | | Formulace úloh řešených v rozpoznávání. Mapa předmětu. Základní ojmy. |
2. | | Bayesovská úloha rozhodování, tj. statistické rozhodování jako minimalizace střední ztráty. |
3. | | Nebayesovské úlohy |
4. | | Odhady parametrů pravděpodobnostních modelu. Metoda maximální věrohodnosti. |
5. | | Klasifikace metodou nejbližšího souseda. |
6. | | Lineární klasifikátor. Perceptronový algoritmus. |
7. | | Učení metodou Adaboost. |
8. | | Učení jako kvadraticky optimalizační problém. SVM klasifikátory. |
9. | | Učení metodou backpropagation. Neuronové sítě. |
10. | | Učení rozhodovacích stromů |
11. | | Učení a logistická regrese. |
12. | | EM (Expectation Maximization) algoritmus. |
13. | | Sekvenční rozpoznávání (Waldova analýza). |
14. | | Druhý průchod učivem. Rezerva |
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, 2001. |
2. | | Bishop: Pattern Recognition and Machine Learning, 2006. |
3. | | 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.
Poznámka:
Rozsah výuky v kombinované formě studia: 14p+6c |
Klíčová slova:
statistické rozhodování, strojové učení, klasifikace,
Předmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 26.2.2021 17:50:51, semestry: Z/2020-1, L/2021-2, L/2020-1, Z/2021-2, připomínky k informační náplni zasílejte správci studijních plánů |
Návrh a realizace: I. Halaška (K336), J. Novák (K336) |