Detail předmětu

Klasifikace a rozpoznávání

KRD Ak. rok 2011/2012 letní semestr

Aktuální akademický rok

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

Smrž Pavel, doc. RNDr., Ph.D. (UPGM)

Jazyk výuky

česky, anglicky

Zakončení

zkouška

Rozsah

  • 39 hod. přednášky

Zajišťuje ústav

Ústav počítačové grafiky a multimédií (UPGM)

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

  1. Odhad parametrů Gaussova rozdělení pravděpodobnosti pomocí Maximum Likelihood (ML)
  2. Odhad parametrů směsi Gaussových rozdělení pravděpodobnosti (Gaussian Mixture Model - GMM) pomocí Expectiation-Maximization (EM)
  3. Diskriminativní trénování, úvod, formulace objektivní funkce
  4. Diskriminativní trénování s kritériem Maximum Mutual information (MMI)
  5. Adaptace GMM modelů - Maximum A-Posteriori (MAP), Maximum Likelihood Linear Regression (MLLR)
  6. Transformace parametrů pro rozpoznávání - základy, Principal component analysis (PCA)
  7. Diskriminativní transformace parametrů - Linear Discriminant Analysis (LDA) a Heteroscedastic Linear Discriminant Analysis  (HLDA)
  8. Modelování prostoru parametrů pomocí diskriminativních podprostorů - faktorová analýza
  9. Kernelové techniky, SVM
  10. Kalibrace a fúze klasifikátorů
  11. Aplikace v rozponávání řeči, videa a textu
  12. Presentace frekventantů kursu I
  13. 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.

Nahoru