Detail předmětu
Strojové učení a rozpoznávání
FIT-SURAk. rok: 2019/2020
Klasifikační úloha a rozpoznávání vzorů, základní schéma klasifikátoru, data a vyhodnocování úspěšnosti jednotlivých metod, statistické rozpoznávání vzorů, extrakce příznaků, baysovské učení, odhad s maximální věrohodnosti (ML), vícerozměrné Gaussovo rozložení, směs gaussovských rozložení (GMM), algoritmus maximalizace očekávání (EM algoritmus), lineární klasifikátory, perceptron, gaussovský lineární klasifikátor, logistická regrese, SVM, dopředné neuronové sítě, konvoluční a rekurentní neuronové sítě, rozpoznávání sekvencí, skryté Markovovy modely (HMM). Aplikace probraných metod na zpracování řeči a obrazu.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Studenti se seznámí s knihovnami jazyka python zaměřenými na matematické operace, lineární algebru a strojové učení. Zdokonalí se v praktickém užívání matematiky (teorie pravděpodobnosti, statistika, lineární algebra, ...) a programátorských nástrojů. Naučí se řešit týmové projekty.
Prerekvizity
Způsob a kritéria hodnocení
- Půlsemestrální test - až 15 bodů
- Projekt - až 25 bodů
- Závěrečná písemná zkouška - až 60 bodů
Učební cíle
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Prerekvizity a korekvizity
- doporučená prerekvizita
Signály a systémy - doporučená prerekvizita
Základy počítačové grafiky
Doporučená literatura
Hart, P. E., Stork, D. G.:Pattern Classification (2nd ed), John Wiley & Sons, 2000, ISBN: 978-0-471-05669-0.
http://www.fit.vutbr.cz/study/courses/SUR/public/prednasky/
Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.
Zařazení předmětu ve studijních plánech
- Program MITAI magisterský navazující
specializace NMAL , 0 ročník, letní semestr, povinný
specializace NSPE , 0 ročník, letní semestr, povinný - Program BIT bakalářský 2 ročník, letní semestr, volitelný
- Program IT-BC-3 bakalářský
obor BIT , 2 ročník, letní semestr, volitelný
- Program MITAI magisterský navazující
specializace NBIO , 0 ročník, letní semestr, volitelný
specializace NSEN , 0 ročník, letní semestr, volitelný
specializace NVIZ , 0 ročník, letní semestr, volitelný
specializace NGRI , 0 ročník, letní semestr, volitelný
specializace NISD , 0 ročník, letní semestr, volitelný
specializace NSEC , 0 ročník, letní semestr, volitelný
specializace NCPS , 0 ročník, letní semestr, volitelný
specializace NHPC , 0 ročník, letní semestr, volitelný
specializace NNET , 0 ročník, letní semestr, volitelný
specializace NVER , 0 ročník, letní semestr, volitelný
specializace NIDE , 0 ročník, letní semestr, volitelný
specializace NEMB , 0 ročník, letní semestr, volitelný
specializace NADE , 0 ročník, letní semestr, volitelný
specializace NMAT , 0 ročník, letní semestr, volitelný
specializace NISY , 0 ročník, letní semestr, povinný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
- Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
- Pravděpodobnostní rozdělení, statistické rozpoznávání vzorů.
- Generativní a diskriminativní modely.
- Vícerozměrné gaussovo rozložení, odhad parametrů s maximální věrohodností.
- Směs gaussovských rozložení (GMM), maximalizace očekávání (EM).
- Extrakce příznaků, Mel-frekvenční kepstrální koeficienty.
- Aplikace pravděpodobnostních modelů ve zpracování řeči a obrazu.
- Lineární klasifikátory, perceptron
- Gaussovský lineární klasifikátor, logistická regrese
- Support vector machines (SVM), jádrové (kernel) funkce
- Neuronové sítě - dopředné, konvoluční a rekurentní
- Skryté markovovy modely (HMM) a jejich aplikace na rozpoznávání řeči.
- Prezentace projektů
Projekt
Vyučující / Lektor
Osnova
- Individuálně zadávané projekty