PředmětyPředměty(verze: 808)
Předmět, akademický rok 2017/2018
  
Statistické rozpoznávání - N445088
Anglický název: Statistical Pattern Recognition
Zajišťuje: Ústav počítačové a řídicí techniky (445)
Platnost: od 2013
Semestr: letní
Body: letní s.:5
E-Kredity: letní s.:5
Způsob provedení zkoušky: letní s.:
Rozsah, examinace: letní s.:2/2 Z+Zk [hodiny/týden]
Počet míst: neurčen / neurčen (neurčen)Rozvrh není zveřejněn, proto je tento údaj pouze informativní a může se ještě měnit.
Minimální obsazenost: neomezen
Jazyk výuky: čeština
Způsob výuky: prezenční
Úroveň:  
Pro druh:  
Poznámka: předmět je možno zapsat mimo plán
povolen pro zápis po webu
Garant: Kukal Jaromír doc. Ing. Ph.D.
Anotace -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (15.11.2012)

Předmět je zaměřen na využití matematické statistiky při rozpoznávání obrazů. Důraz je kladen na základní pojmy, souvislosti s matematickou stastistikou, programovacími technikami, práci s odbornou literaturou, realnými daty a na rozvoj technické invence při konstrukci příznakového popisu.
Výstupy studia předmětu -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (15.11.2012)

Studenti budou umět:

Navrhnout příznakový popis pro statistické rozpoznávání

Využít transformací dat ke zvýšení kvality rozpoznávání

Aplikovat standardní metody rozpoznavání

Vyhodnotit kvalitu rozpoznávacího systému

Literatura -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (15.11.2012)

Z Fukunaga K., Introduction to Statistical Pattern Recognition, Academic Press, London, 1990

D Shawe-Taylor J., Cristianini N., Kernel Methods for Pattern Analysis, Cambridge University Press, Cambridge, 2009

D Scholkopf B., Smola A.J., Learning with Kernels, MIT Press, Cambridge, 2002

Studijní opory -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (15.11.2012)

interní studijní materiály

Sylabus -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (11.09.2013)

1. Třída, vzor, příznakový popis, množina vzorů ke statistckému rozpoznávání

2. Repetitorium základních pojmů matematické statistiky.

3. Kvalita příznakového popisu: nejlepší příznak, vhodná kombinace libovolných příznaků

4. Lineární diskriminační analýza jako nástroj pro rozpoznávání

5. Hodnocení kvality rozpoznávání: p-hodnota, senzitivita, specificita, chyba, AIC, BIC

6. Metodika křížové validace při hodnocení kvality rozpoznávání

7. Lineární transformace dat: normalizace, standardizace, PCA, sférizace

8. Robustní a regularizované metody, jejich výhody při rozpoznávání

9. Využití metrik v rozpoznávání: Euklides, Minkowski, Mahalanobis, k-NN, c-mean

10. Využití hustoty pravděpodobnosti v rozpoznávání: Parzenův a LQ odhad, GMM

11. Lineární, nelineární a logistická regrese jako nástroje pro rozpoznávání

12. Redukce příznakového popisu s využitím binární optimalizace

13. Jádrové funkce při konstrukci nelineárních klasifikátorů

14. Využití fuzzy množin k rozpoznávání: fuzzifikace, FCM

Vstupní požadavky -
Poslední úprava: Kukal Jaromír doc. Ing. Ph.D. (15.11.2012)

Základní znalosti z matematické statistiky a programování v MATLABu.

Studijní prerekvizity -
Poslední úprava: TAJ445 (30.09.2013)

žádné

Zátěž studenta
Činnost Kredity Hodiny
Konzultace s vyučujícími 0,5 14
Účast na přednáškách 1 28
Práce na individuálním projektu 2 56
Příprava na zkoušku a její absolvování 0,5 14
Účast na seminářích 1 28
5 / 5 140 / 140
Hodnocení studenta
Forma Váha
Aktivní účast na výuce 40
Ústní zkouška 60

 
VŠCHT Praha