Strojové učení a rozpoznávání

• 26 hod. přednášky
• 13 hod. seminář
• 13 hod. projekty

• 60 bodů závěrečná zkouška (písemná část)
• 15 bodů půlsemestrální test (písemná část)
• 25 bodů projekty

Porozumět základům strojového učení se zaměřením na problém klasifikace a rozpoznávání vzorů. Naučit se aplikovat základní algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči a obrazu. Pochopit základní principy různých generativních a diskriminativních modelů pro statistického rozpoznávání vzorů. Seznámit se se způsoby vyhodnocování úspěšnosti těchto metod..
Studenti se v rámci předmětu seznámí s problematikou strojového učení aplikovaného na problém klasifikace a rozpoznávání vzorů. Naučí se aplikovat základní algoritmy a modely v této oblasti na vybrané problémy zpracování mluvené řeči a počítačové grafiky. Porozumí rozdílům mezi jednotlivými metodami a dokáží využít výhod existujících klasifikátorů při řešení prakticky orientovaných projektů.
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.

• Signály a systémy (ISS)
• Základy počítačové grafiky (IZG)

Základní znalost běžného matematického formalismu.

• Hart, P. E., Stork, D. G.:Pattern Classification (2nd ed), John Wiley & Sons, 2000, ISBN: 978-0-471-05669-0.

• https://www.fit.vutbr.cz/study/courses/SUR/public/

1. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
2. Pravděpodobnostní rozdělení, statistické rozpoznávání vzorů.
3. Generativní a diskriminativní modely.
4. Vícerozměrné gaussovo rozložení, odhad parametrů s maximální věrohodností.
5. Směs gaussovských rozložení (GMM), maximalizace očekávání  (EM).
6. Extrakce příznaků, Mel-frekvenční kepstrální koeficienty.
7. Aplikace pravděpodobnostních modelů ve zpracování řeči a obrazu.
8. Lineární klasifikátory, perceptron
9. Gaussovský lineární klasifikátor, logistická regrese
10. Support vector machines (SVM), jádrové (kernel) funkce
11. Neuronové sítě - dopředné, konvoluční a rekurentní
12. Skryté markovovy modely (HMM) a jejich aplikace na rozpoznávání řeči.
13. Prezentace projektů

Demonstrační cvičení (1h týdně) navazují na přednášku a demonstrují studentům přednášené techniky na datech a reálném kódu. Kód a data pro příklady budou k dispozici studentům.

• Individuálně zadávané projekty

• Půlsemestrální test - až 15 bodů
• Projekt - až 25 bodů
• Závěrečná písemná zkouška - až 60 bodů

Pro získání bodů ze zkoušky je nutné získat min. 20 bodů, jinak je zkouška hodnocena 0 body.

Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.