Rozpoznávání vzorů - NAIL072

• Anglický název: Pattern Recognition
• Zajišťuje: Katedra softwarového inženýrství (32-KSI)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2015
• Semestr: letní
• E-Kredity: 3
• Rozsah, examinace: letní s.:2/0, Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: zrušen
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Garant: RNDr. Jana Štanclová, Ph.D.
• Třída: DS, softwarové systémy; Informatika Mgr. - Matematická lingvistika
• Kategorizace předmětu: Informatika > Teoretická informatika

Anotace

čeština

Cílem přednášky je seznámit studenty se základními principy rozpoznávání vzorů. Obsahem přednášky je popis a analýza různých metod používaných v oblasti rozpoznávání vzorů. Předmět bude vyučován jednou za dva roky.

Poslední úprava: T_KSI (25.03.2010)

angličtina

This lecture is focused on principal concepts of pattern recognition. The contents of the lecture is the description and analysis of various methods applicable to pattern recognition.

Poslední úprava: T_KSI (05.05.2004)

Literatura

Richard O. Duda, Peter E. Hart, David G. Stork - Pattern Classification, Second Edition, A Wiley-Interscience Publication, 2000

Sergios Theodoridis, Konstantinos Koutroumbas - Pattern Recognition, Second Edition, Elsevier Academic Press, 2003

Evangelia Micheli-Tzanakou - Supervised and Unsupervisd Pattern Recognition, Feature Extraction and Computational Intellingence, CRC Press, 2000

Poslední úprava: T_KSI (06.05.2004)

Sylabus

čeština

Úvod do rozpoznávání vzorů:

Příznaky, příznakové vektory, klasifikátory. Systémy pro rozpoznávání vzorů, návrh systému, učení a adaptace. Rozpoznávání vzorů s učitelem a bez učitele.

Rozpoznávání vzorů s učitelem:

Klasifikátory založené na Bayesovské rozhodovací teorii. Pravidlo nejbližšího souseda. Lineární a nelineární klasifikátory - perceptronový algoritmus, podpůrné vektorové stroje, vícevrstevné perceptrony, stochastické metody. Rozhodovací stromy. Rozpoznávání v řetězcích. Template matching.

Rozpoznávání vzorů bez učitele

Základní principy klastrování. Míry podobnosti. Kriteriální funkce pro klastrování. Iterativní optimalizace. Sekvenční klastrování. Hierarchické klastrování. Klastrování založené na teorii grafů. Algoritmy kompetičního učení. Klastrování pomocí optimalizace ceny. Cluster validity.

Přednáška volně navazuje na předmět PGR002 Digitální zpracování obrazu (J. Flusser).

Poslední úprava: Štanclová Jana, RNDr., Ph.D. (12.12.2013)

angličtina

Introduction to pattern recognition:

Features, feature vectors, classifiers. Pattern recognition systems, the design cycle, learning and adaptation. Supervised versus unsupervised pattern recognition.

Supervised pattern recogniton:

Classifiers based on Bayes decision theory. The nearest-neighbor rule. Linear and nonlinear classifiers - the perception algorithm, support vector machine, the multilayer perceptions, stochastic methods. Decisions trees. Recognition with strings. Template matching.

Unsupervised pattern recognition:

Basic concept of clustering. Proximity measures. Criterion functions for clustering. Iterative optimization. Sequential clustering. Hierarchical clustering. Clustering based on graph theory. Competitive learning algorithms. Clustering via cost optimization. Cluster validity.

Poslední úprava: Štanclová Jana, RNDr., Ph.D. (12.12.2013)