Warning
This page is located in archive. Go to the latest version of this course pages. Go the latest version of this page.

Rozvrh na FEL Diskusní fórum

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 2022/2023

Kdy a kde: KN:E-301 ( Karlovo náměstí, budova E), pátek 11:00-12:30

Přednášející: Jiří Matas (JM) matas@cmp.felk.cvut.cz, Ondřej Drbohlav (OD) drbohlav@cmp.felk.cvut.cz

Plán přednášek 2022/2023

Č. Datum Př. Zdroj Téma Wiki Additional material
1 23.9. JM pdf Úvod. Formulace úloh řešených v rozpoznávání. Bayesovské rozhodování Machine_learning Naive_Bayes_classifier some simple problems
2 30.9. OD pdf Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald). Minimax
3 7.10. OD pdf Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. Maximum_likelihood
4 14.10. OD pdf Metoda nejbližších sousedů. Neparametrické odhady hustoty K-nearest_neighbor_algorithm
5 21.10. OD pdf Logistická regrese Logistic_regression
6 28.10. holiday
7 4.11. JM pdf Učení klasifikátoru. Lineární klasifikátor. Perceptron Linear_classifier Perceptron
8 11.11. JM pdf Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. Support_vector_machine
9 18.11. JM pdf Učení metodou Adaboost Adaboost
10 25.11. JM pdf Učení metodou backpropagation. Neuronové sítě.Artificial_neural_network
11 2.12. JM pdf Shlukování metodou k-means K-means_clustering K-means++
12 9.12. JM pdf EM algoritmus Expectation_maximization_algorithm Hoffmann,Bishop,Flach
13 16.12. JM pdf Principal component analysis. Fisherův linearní discriminant. Principal_component_analysis Linear_discriminant_analysis Veksler, Franc, ver1
14 13.1. JM pdf Rozhodovací stromy. Decision_tree Decision_tree_learning Rudin@MIT

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.

courses/b4b33rpz/lectures.txt · Last modified: 2022/10/24 14:57 by drbohlav