Detail předmětu

Klasifikace a rozpoznávání

FIT-IKRAk. rok: 2014/2015

Klasifikační úloha a rozpoznávání vzorů, základní schéma klasifikátoru, data a vyhodnocování úspěšnosti jednotlivých metod, statistické rozpoznávání vzorů, baysovské 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.

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení 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.

Prerekvizity

Základní znalost běžného matematického formalismu.

Způsob a kritéria hodnocení

Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.

  • Vypracování projektu

Osnovy výuky

    Osnova přednášek:
    1. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
    2. Pravděpodobnostní rozdělení, lineární modely
    3. Statistické rozpoznávání vzorů, bayesovký rámec, metoda maximální věrohodnosti
    4. Modelování sekvencí, skryté Markovovy modely, lineární dynamické systémy
    5. Generativní a diskriminativní modely
    6. Aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov
    7. Kernelové metody
    8. Smíšené modely, metoda maximalizace očekávání
    9. Kombinování modelů, spojování slabých klasifikátorů
    10. AdaBoost, základní princip a modifikace metody
    11. Aplikace ve zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR
    12. Rozpoznávání vzorů v textu, gramatiky, jazyky, analýza textu
    13. Prezentace projektů, směry dalšího vývoje

    Osnova ostatní - projekty, práce:
    • Individuálně zadávané projekty

Učební cíle

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.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.

Prerekvizity a korekvizity

Základní literatura

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.

Doporučená literatura

Mařík, V., Štěpánková, O., Lažanský, J. a kol.: Umělá inteligence (1-4), ACADEMIA Praha, 1998-2003, ISBN 80-200-1044-0.

Zařazení předmětu ve studijních plánech

  • Program IT-BC-3 bakalářský

    obor BIT , 0 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
  2. Pravděpodobnostní rozdělení, lineární modely
  3. Statistické rozpoznávání vzorů, bayesovký rámec, metoda maximální věrohodnosti
  4. Modelování sekvencí, skryté Markovovy modely, lineární dynamické systémy
  5. Generativní a diskriminativní modely
  6. Aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov
  7. Kernelové metody
  8. Smíšené modely, metoda maximalizace očekávání
  9. Kombinování modelů, spojování slabých klasifikátorů
  10. AdaBoost, základní princip a modifikace metody
  11. Aplikace ve zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR
  12. Rozpoznávání vzorů v textu, gramatiky, jazyky, analýza textu
  13. Prezentace projektů, směry dalšího vývoje

Cvičení odborného základu

13 hod., nepovinná

Vyučující / Lektor

Projekt

13 hod., nepovinná

Vyučující / Lektor