Fakulta informačních technologií VUT v Brně

Detail předmětu

Klasifikace a rozpoznávání

IKR Ak. rok 2011/2012 letní semestr 5 kreditů

Aktuální akademický rok

Klasifikační úloha a rozpoznávání vzorů, základní schéma klasifikátoru, data a vyhodnocování úspěšnosti jednotlivých metod, statistické rozpoznávání vzorů, baysovské učení, metoda maximální věrohodnosti, GMM, algoritmus EM a diskriminativní trénování, kernelové metody, hybridní systémy, způsoby spojování klasifikátorů, základní princip a rozšíření metody AdaBoost, strukturní rozpoznávání, aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov, zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR, a zpracování přirozeného jazyka - klasifikace dokumentů, analýza textu.

Garant předmětu

Jazyk výuky

český

Zakončení

zkouška (kombinovaná)

Rozsah

26 hod. přednášky, 13 hod. cvičení, 13 hod. projekty

Bodové hodnocení

60 zkouška, 15 půlsemestrální test, 25 projekty

Zajišťuje ústav

Přednášející

Cvičící

Získané dovednosti, znalosti a kompetence z předmětu

Studenti se v rámci předmětu seznámí s problematikou klasifikace a rozpoznávání a naučí se aplikovat základní algoritmy a metody v této oblasti na vybrané problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka. Porozumí rozdílům mezi jednotlivými metodami a dokáží využít výhod existujících klasifikátorů při řešení prakticky orientovaných projektů.

Dovednosti, znalosti a kompetence obecné

Studenti se naučí řešit týmové projekty. Zdokonalí se v praktickém užívání programátorských nástrojů.

Cíle předmětu

Porozumět základům klasifikace a rozpoznávání a naučit se aplikovat základní algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči, počítačové grafiky a zpracování přirozeného jazyka. Seznámit se způsoby vyhodnocování úspěšnosti metod. Pochopit základní principy statistického rozpoznávání vzorů, diskriminativního trénování a vytváření hybridních systémů.

Prerekvizity

Požadované prerekvizitní znalosti a dovednosti

Základní znalost běžného matematického formalismu.

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. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
  2. Pravděpodobnostní rozdělení, lineární modely
  3. Statistické rozpoznávání vzorů, bayesovký rámec, metoda maximální věrohodnosti
  4. Modelování sekvencí, skryté Markovovy modely, lineární dynamické systémy
  5. Generativní a diskriminativní modely
  6. Aplikace ve zpracování řeči - rozpoznávání mluvčího, rozpoznávání jazyka, rozpoznávání řeči, detekce klíčových slov
  7. Kernelové metody
  8. Smíšené modely, metoda maximalizace očekávání
  9. Kombinování modelů, spojování slabých klasifikátorů
  10. AdaBoost, základní princip a modifikace metody
  11. Aplikace ve zpracování obrazu - rozpoznávání 2D objektů, vyhledávání obličejů, OCR
  12. Rozpoznávání vzorů v textu, gramatiky, jazyky, analýza textu
  13. Prezentace projektů, směry dalšího vývoje

Osnova ostatní - projekty, práce

  • Individuálně zadávané projekty

Průběžná kontrola studia

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

Kontrolovaná výuka

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

Podmínky zápočtu

  • Vypracování projektu

Zařazení předmětu ve studijních plánech

  • Program IT-BC-3, obor BIT, libovolný ročník, volitelný
Nahoru