Students will be able to:

Design descriptors for statistical pattern recognition

Apply data transforms for improvement of pattern recognition quality

Apply standard pattern recognition methods

Evaluate quality of pattern recognition systém

Studenti budou umět:

Navrhnout příznakový popis pro statistické rozpoznávání

Využít transformací dat ke zvýšení kvality rozpoznávání

Aplikovat standardní metody rozpoznavání

Vyhodnotit kvalitu rozpoznávacího systému

Vypracování a obhajoba tří samostatných programů: 0 - 25 bodů

Ústní zkouška: 0-75 bodů

Celkové bodové hodnocení: 100-90 A, 89-80 B, 79-70 C, 69-60 D, 59-50 E, méně než 50 F.

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

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

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

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

1. Class, pattern, descriptors, pattern set for statistical pattern recognition

2. Repetitorium of basic statistical terms and principles

3. Quality of desroptor set: the best descriptor, acceptable subset of descriptors

4. Linear discrimination analysis as a tool for pattern recognition

5. Evaluation of pattern recognition quality: p-value, sensitivity, specificity, error, AIC, BIC

6. Cross-validation methodology in evaluation of recognition quality

7. Linear data transforms: normaliztion, standardization, PCA, spherization

8. Robust and regularized methods and their advantages in pattern recognition

9. Application of metrics in pattern recognition: Euclidean, Minkowski, Mahalanobis, k-NN, c-mean

10. Application of PDF in pattern recognition: GMM, Parzen and LQ estimates

11. Linear, non-linear, and logistic regression as pattern recognition tools

12. Feature space reduction as application of binary optimization

13. Kernel functions in design of non-linear classifiers

14. Fuzzy sets in pattern recognition: fuzzification, FCM

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

interal training materials

interní studijní materiály

Basic knowledge of mathematical statistics and programming in MATLAB.

Základní znalosti z matematické statistiky a programování v MATLABu.

none

žádné