Detail předmětu
Klasifikace a rozpoznávání
KRD Ak. rok 2009/2010 letní semestr
Odhady parametrů pomocí metody maximální věrohodnosti a algoritmu Expectiation-Maximization, formulace objektivní funkce diskriminativního trénování, kritérium Maximum Mutual information (MMI), adaptace GMM modelů, transformace parametrů pro rozpoznávání, modelování prostoru parametrů pomocí diskriminativních podprostorů, faktorová analýza, kernelové techniky, kalibrace a fúze klasifikátorů, aplikace v rozponávání řeči, videa a textu.
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 39 hod. přednášky
Zajišťuje ústav
Získané dovednosti, znalosti a kompetence z předmětu
Studenti se v rámci předmětu seznámí s pokročilými technikami klasifikace a rozpoznávání a naučí se aplikovat metody v této oblasti na vybrané problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka.
Studenti si vyzkouší obecné přístupy k řešení problémů klasifikace a rozpoznávání.
Cíle předmětu
Porozumět pokročilým technikám a postupům v oblasti klasifikace a rozpoznávání a naučit se aplikovat algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka. Seznámit se způsoby vyhodnocování úspěšnosti metod. Pochopit specifika diskriminativního trénování a vytváření hybridních systémů.
Požadované prerekvizitní znalosti a dovednosti
Základní znalost statistiky, teorie pravděpodobnosti, matematické analýzy a algebry.
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
- Odhad parametrů Gaussova rozdělení pravděpodobnosti pomocí Maximum Likelihood (ML)
- Odhad parametrů směsi Gaussových rozdělení pravděpodobnosti (Gaussian Mixture Model - GMM) pomocí Expectiation-Maximization (EM)
- Diskriminativní trénování, úvod, formulace objektivní funkce
- Diskriminativní trénování s kritériem Maximum Mutual information (MMI)
- Adaptace GMM modelů - Maximum A-Posteriori (MAP), Maximum Likelihood Linear Regression (MLLR)
- Transformace parametrů pro rozpoznávání - základy, Principal component analysis (PCA)
- Diskriminativní transformace parametrů - Linear Discriminant Analysis (LDA) a Heteroscedastic Linear Discriminant Analysis (HLDA)
- Modelování prostoru parametrů pomocí diskriminativních podprostorů - faktorová analýza
- Kernelové techniky, SVM
- Kalibrace a fúze klasifikátorů
- Aplikace v rozponávání řeči, videa a textu
- Presentace frekventantů kursu I
- Presentace frekventantů kursu II
Průběžná kontrola studia
Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.
Kontrolovaná výuka
Kontrolovaná výuka zahrnuje individuální projekt.
Zařazení předmětu ve studijních plánech