33RPZ - Rozpoznávání

Letní semestr 2007/2008, 2 hodiny přednášky, 2 hodiny cvičení týdně.

Přednáška je v úterý od 9:15 do 10:45 v posluchárně K4 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

T. Werner

Alexander Shekhovtsov

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	26.02.2008	Úvod. Formulace úloh řešených v rozpoznávání. Mapa předmětu. Pojmy.
2	J. Matas	04.03.2008	Bayesovská úloha rozhodování.
3	J. Matas	11.03.2008	Nebayesovské úlohy a jejich řešení pomocí lineárního programování. (slidy JM)( pdf Hlaváč)
4	J. Matas	18.03.2008	Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. (slidy JM) (slidy V. Franc) (neparametrické odhady, ppt V. Hlaváč)
5	J. Matas	25.03.2008	Neparametrické odhady. Parzenova okna. Metoda nejbližších sousedů.
6	J. Matas	01.04.2008	Učení klasifikátoru. Lineární klasifikátor. Perceptron
7	J. Matas	08.04.2008	Učení metodou Adaboost.
8	J. Matas	15.04.2008	Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. (ppt, pdf Hlavac)
9	J. Matas	22.04.2008	Učení metodou backpropagation. Neuronové sítě.
10	J. Matas	29.04.2008	Shluková analýza, metoda k-means.
11	J. Matas	06.05.2008	___ Hodina odpadá, výuka dle čtvrtečního rozvrhu ______
12	J. Matas	13.05.2008	Učení bez učitele. EM (Expectation Maximization) algoritmus. ( pdf )
13	J. Matas	20.05.2008	Výběr a extrakce příznaků. PCA,  LDA.
14	J. Šochman	27.05.2008	Sekvenční rozhodování. Waldův Sequential Probability Ratio Test. Opakování základních pojmů, vazby mezi metodami, odpovědi na zkouškové otázky.

Doporučená literatura:

1. Duda R.O., Hart, P.E.,Stork, D.G.: Pattern Classification, John Willey and Sons, 2nd edition, New York, 2001.
2. 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 2008 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
• Lineární programování (předn. A, předn. B)
• Dva statistické modely
• O učení v rozpoznávání
• Lineární klasifikace (přednáška J. Matase 22.11.2006)
• 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)

Zkouška

· 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.
Na adrese http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/ jsou uloženy všechny dosud zadané písemky (kdo umí řešit tyto příklady, skoro jistě u zkoušky uspěje)

· Ústní část zkoušky následuje asi 60 minut po ukončení písemky, tj. po její opravě. Ústní část zkoušky může k hodnocení přispět maximálně 20 body.
Na adrese WWW Na adrese http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/exam-questions.pdf jsou k dispozici zkouškové otazky.

· 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 16.09.2007J. Matas, matas@cmp.fel.cvut.cz