Detail předmětu

Klasifikace a rozpoznávání

KRD Ak. rok 2020/2021 letní semestr

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.

Okruhy otázek k SDZ :

  1. Odhad parametrů modelu s maximální věrohodností (Maximum Likelihood)
  2. Rozložení pravděpodobnostÍ z exponenciální rodiny  (exponencial family) a postačující statistiky (sufficient statistics)
  3. Model lineární regrese a jeho pravděpodobnostní interpretace
  4. Bayesovské modely uvažující pravděpodobnostní rozložení (neurčitost) parametrů modelu
  5. Sdružené apriorní rozložení (conjugate priors) a jejich význam v bayesovských modelech
  6. Lineární diskriminační analýza (Fishers linear discriminant)
  7. Rozdíl mezi generativními a diskriminativními klasifikátory; jejich klady a zápory
  8. Perceptron a jeho učící se algoritmus jako příklad lineárních klasifikátorů
  9. Generativní lineární klasifikátor - Gaussovský klasifikátor se sdílenou kovarianční maticí
  10. Diskriminativní klasifikátor založený na lineární logistické regresi

Garant předmětu

Jazyk výuky

český

Zakončení

zkouška (ústní)

Rozsah

39 hod. přednášky

Bodové hodnocení

100 zkouška

Zajišťuje ústav

Přednášející

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.

Dovednosti, znalosti a kompetence obecné

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

  • Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006. 
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press, 2016. 
  • Simon Haykin: Neural Networks And Learning Machines, Pearson Education; Third edition, 2016. 

Literatura referenční

  • Christopher M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006. 
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, MIT Press, 2016. 
  • Simon Haykin: Neural Networks And Learning Machines, Pearson Education; Third edition, 2016.

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

Kontrolovaná výuka

Ústní zkouška.

Zařazení předmětu ve studijních plánech

  • Program VTI-DR-4, obor DVI4, libovolný ročník, volitelný
Nahoru