Table of Contents
Cíl předmětu
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 či statistické učení.
Základní informace
Zimní semestr 2021/2022
Kdy a kde: KN:E-301 ( Karlovo náměstí, budova E), pátek 11:00-12:30 stream
Přednášející: Jiří Matas (JM) matas@cmp.felk.cvut.cz, Ondřej Drbohlav (OD) drbohlav@cmp.felk.cvut.cz Jan Šochman (JŠ) sochmj1@fel.cvut.cz
Plán přednášek 2021/2022
| Č. | Datum | Př. | Zdroj | Téma | Wiki | Additional material |
|---|---|---|---|---|---|---|
| 1 | 24.9. | JM | Úvod. Formulace úloh řešených v rozpoznávání. Bayesovské rozhodování | Machine_learning Naive_Bayes_classifier | some simple problems | |
| 2 | 1.10. | JM | Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald). | Minimax | ||
| 3 | 8.10. | JM | Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. | Maximum_likelihood | ||
| 4 | 15.10. | JM | Metoda nejbližších sousedů. Neparametrické odhady hustoty | K-nearest_neighbor_algorithm | ||
| 5 | 22.10. | JM | Logistická regrese | Logistic_regression | ||
| 6 | 29.10. | JM | Učení klasifikátoru. Lineární klasifikátor. Perceptron | Linear_classifier Perceptron | ||
| 7 | 5.11. | JM | Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. | Support_vector_machine | ||
| 8 | 12.11. | JM | Učení metodou Adaboost | Adaboost | ||
| 9 | 19.11. | JM | Učení metodou backpropagation. Neuronové sítě. | Artificial_neural_network | ||
| 10 | 26.11. | JM | Shlukování metodou k-means | K-means_clustering K-means++ | ||
| 11 | 3.12. | JM | EM algoritmus | Expectation_maximization_algorithm | Hoffmann,Bishop,Flach | |
| 12 | 10.12. | JM | Principal component analysis. Fisherův linearní discriminant. | Principal_component_analysis Linear_discriminant_analysis | Veksler, Franc, ver1 | |
| 13 | 17.12. | JM | Rozhodovací stromy. | Decision_tree Decision_tree_learning | Rudin@MIT | |
| 14 | 7.1. | JM | Druhý průchod látkou, připrava na zkoušky. Konzultace / Basic notions recapitulation, links between methods, answers to exam questions (joint for English and Czech courses. In English if needed) |
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.: Ten Lectures on Statistical and Structural Pattern Recognition, Springer, 2002
- Bishop, C.: Pattern Recognition and Machine Learning, Springer, 2011
- Goodfellow, I., Bengio, Y. and Courville, A.: Deep Learning, MIT Press, 2016. www
s
Zápočet
Podmínky získání zápočtu viz labs.
Zkouška
- Podmínkou přihlášení se ke zkoušce je získání zápočtu.
- Hodnocení: Práce v semestru 50%, písemná část zkoušky 40%, ústní 10%.
- Podmínkou složení zkoušky je získání minimálního počtu bodů v písemné části zkoušky (typicky 5-10 bodů ze 40, v závislosti na obtížnosti testu.)
- Šance na finální známku po písemném testu a před ústní zkouškou jsou znázorněné na obrázku níže. Upozornění: schéma je jen přibližné, ale vystihuje, jak ústní zkoušení ovlivňuje výslednou známku.
- Ústní zkouška je povinná!
- Ukázkové příklady pro písemnou část (písemky z předchozích let) naleznete na adrese http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/ v souborech test_*
- Otázky pro ústní i písemnou část jsou voleny z tohoto seznamu otázek či jeho anglické verze.
