P33ROD Rozpoznavani pro doktorandy

33RPZ - Rozpoznávání

Zimní semestr 2007/2006, 2 hodiny přednášky, 2 hodiny cvičení týdně.

Přednáška je v čtvrtek od 9:15 do 10:45 v posluchárně K5, budova E FEL ČVUT, areál Karlovo náměstí.

Předmět 33RPZ má studentovi poskytnout souhrnnou představu o rozpoznávání, jeho metodách, nástrojích a aplikacích. S velmi podobnými metodami se někdy setkáte pod názvy teorie rozhodování, analýza dat, dolování z dat, teorie učení, statistické učení.

Přednášející:

Doc. Dr. Ing. Jiří Matas
Katedra kybernetiky, Fakulta elektrotechnická ČVUT
matas@cmp.felk.cvut.cz

Cvičící:

Mgr. Jan Šochman

Ing. Martin Urban, PhD

Ing. Karel Zimmerman

Cvičení (plán, podmínky zápočtu, etc.): informace naleznete na http://cmp.felk.cvut.cz/cmp/courses/recognition/Labs/

Plán přednášek

Týden	Přednáší	Datum	Obsah přednášky
1	J. Matas	01.03.2007	Úvod. Formulace úloh řešených v rozpoznávání. Mapa předmětu. Pojmy.
2	J. Matas	08.03.2007	Bayesovská úloha rozhodování. (pdf)
3	J. Matas	15.03.2007	Nebayesovské úlohy a jejich řešení pomocí lineárního programování.
4	J. Matas	22.03.2007	Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti.
5	J. Matas	29.03.2007	Neparametrické odhady. Parzenova okna. Metoda nejbližších sousedů.
6	J. Matas	05.04.2007	Učení klasifikátoru. Lineární klasifikátor. Perceptron
7	J. Matas	12.04.2007	Učení metodou Adaboost.
8	J. Matas	19.04.2007	Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM).
9	J. Matas	26.04.2007	Učení metodou backpropagation. Neuronové sítě.
10	J. Matas	03.05.2007	Shluková analýza, metoda k-means.
11	J. Matas	17.05.2007	Učení bez učitele. EM (Expectation Maximization) algoritmus.
12	J. Matas	24.05.2007	Výběr a extrakce příznaků. PCA, LDA.
13	J. Matas	31.05.2007	Opakování základních pojmů, vazby mezi metodami, odpovědi na zkouškové otázky.

Doporučená literatura:

Duda R.O., Hart, P.E.,Stork, D.G.: Pattern Classification, John Willey and Sons, 2nd edition, New York, 2001.
Schlesinger M.I., Hlaváč V.: Deset přednášek z teorie statistického a strukturního rozpoznání, Vydavatelství ČVUT, Praha 1999.

Prezentace pro přednášky z roku 2005

(pokud došlo v roce 2007 ke změně, je odkaz uveden v seznamu přednášek):

Úvod do rozpoznávání (česky)
Pravděpodobnost a statistika, shrnutí (česky)
Bayesovské rozpoznávání, ROC křivka.
Duální úlohy lineárního programování
Nebayesovské rozpoznávání.
Nebayesovské rozpoznávání (přednáška V. France 20.10.2006)
Odhady pravděpodobnostních rozdělení, parametrické metody (přednáška V. France 27.10.2006)
Neparametrické odhady pravděpodbnostních rozdělení
Lineární programování (předn. A, předn. B)
Dva statistické modely
O učení v rozpoznávání
Lineární klasifikace (přednáška J. Matase 22.11.2006)
SVM
Učení bez učitele
Unsupervised learning (přednáška Ch. Bishop, 7,3 MB)
Umělé neuronové sítě
Markovské posloupnosti
Markovké posloupnosti (Rabinerův tutoriál)
Vztah mezi statistickým a strukturním rozpoznáváním (česky)

Hodnocení při zkoušce

Zkoušeni mohou být jen ti studenti, kteří získali zápočet ze cvičení. Výkon ve cvičení je hodnocen nejvýše 40 body.
Zkouška má dvě části, písemnou a ústní.
Písemná zkouška . Na vypracování písemky je 60 minut. Student získat nejvýše 40 bodů.
Ústní část zkoušky následuje asi 60 minut po ukončení písemky, tj. po její opravě. Ústní část zkoušky může k hodnocení přispět maximálně 20 body.
Výsledná známka je určena součtem bodů za cvičení, písemku a ústní zkoušku podle stupnice, která bude nastavena tak, že přibližně 15% bude hodnoceno výborně, 40% velmi dobře, 40% dobře a 5% neprospěl.

Poslední změna 16.10. 2006 J. Matas, matas@cmp.fel.cvut.cz