Detail předmětu
Klasifikace a rozpoznávání
KRD Ak. rok 2008/2009 letní semestr
Klasifikační úloha a rozpoznávání vzorů, základní schéma klasifikátoru, data a vyhodnocování úspěšnosti jednotlivých metod, statistické rozpoznávání vzorů, baysovkské učení, metoda maximální věrohodnosti, GMM, algoritmus EM a diskriminativní trénování, kernelové metody, hybridní systémy, způsoby spojování klasifikátorů, základní princip a rozšíření metody AdaBoost, strukturní rozpoznávání, aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov, zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR, a zpracování přirozeného jazyka - klasifikace dokumentů, analýza textu.
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 39 hod. přednášky
Zajišťuje ústav
Přednášející
Získané dovednosti, znalosti a kompetence z předmětu
Studenti se v rámci předmětu seznámí s problematikou klasifikace a rozpoznávání a naučí se aplikovat základní algoritmy a metody v této oblasti na vybrané problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka. Porozumí rozdílům mezi jednotlivými metodami a dokáží využít výhod existujících klasifikátorů při řešení prakticky orientovaných projektů.
Studenti se naučí řešit týmové projekty. Zdokonalí se v praktickém užívání programátorských nástrojů.
Cíle předmětu
Porozumět základům klasifikace a rozpoznávání a naučit se aplikovat základní algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka. Seznámit se způsoby vyhodnocování úspěšnosti metod. Pochopit základní principy statistického rozpoznávání vzorů, diskriminativního trénování a vytváření hybridních systémů.
Požadované prerekvizitní znalosti a dovednosti
Základní znalost běžného matematického formalismu.
Literatura studijní
- Mařík,V., Štěpánková,O., Lažanský, J. a kol.: Umělá inteligence (1-4), ACADEMIA Praha, 1998-2003, ISBN 80-200-1044-0.
Literatura referenční
- Bishop, C. M.: Pattern Recognition, Springer Science + Business Media, LLC, 2006, ISBN 0-387-31073-8.
- Fukunaga, K. Statistical pattern recognition, Morgan Kaufmann, 1990, ISBN 0-122-69851-7.
Osnova přednášek
- Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
- Pravděpodobnostní rozdělení, lineární modely
- Statistické rozpoznávání vzorů, bayesovký rámec, metoda maximální věrohodnosti
- Modelování sekvencí, skryté Markovovy modely, lineární dynamické systémy
- Generativní a diskriminativní modely
- Aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov
- Kernelové metody
- Smíšené modely, metoda maximalizace očekávání
- Kombinování modelů, spojování slabých klasifikátorů
- AdaBoost, základní princip a modifikace metody
- Aplikace ve zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR
- Rozpoznávání vzorů v textu, gramatiky, jazyky, analýza text
- Prezentace projektů, směry dalšího vývoje
Průběžná kontrola studia
Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.
- Vypracování projektu
Metody vyučování
Metody vyučování závisí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.
Kontrolovaná výuka
Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.