PředmětyPředměty(verze: 809)
Předmět, akademický rok 2017/2018
   Přihlásit přes CAS
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 [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
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 -
Poslední úprava: T_KSI (25.03.2010)

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.
Literatura
Poslední úprava: T_KSI (06.05.2004)

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

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

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).

 
Univerzita Karlova | Informační systém UK