Rozpoznávání a strojové učení

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.

Zimní semestr 2024/25

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 2024/25

Č.	Datum	Př.	Zdroj	Téma	Wiki	Additional material
1	27.9.	OD	pdf	Úvod. Formulace úloh řešených v rozpoznávání. Bayesovské rozhodování	Machine_learning Naive_Bayes_classifier	some simple problems
2	4.10.	OD	pdf	Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald).	Minimax
3	11.10.	JM	pdf	Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti.	Maximum_likelihood
4	18.10.	JM	pdf	Metoda nejbližších sousedů. Neparametrické odhady hustoty	K-nearest_neighbor_algorithm
5	25.10.	JM	pdf	Logistická regrese	Logistic_regression
6	1.11.	JM	pdf	Učení klasifikátoru. Lineární klasifikátor. Perceptron	Linear_classifier Perceptron
7	8.11.	JM	pdf	Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM.	Support_vector_machine
8	15.11.	JM	pdf	Učení metodou Adaboost	Adaboost
9	22.11.	OD	pdf	Učení metodou backpropagation. Neuronové sítě.	Artificial_neural_network
10	29.11.	JM	pdf	Shlukování metodou k-means	K-means_clustering K-means++
11	6.12.	JM	pdf	EM algoritmus	Expectation_maximization_algorithm	Hoffmann,Bishop,Flach
12	13.12.	JM	pdf	Principal component analysis. Fisherův linearní discriminant.	Principal_component_analysis Linear_discriminant_analysis	Veksler, Franc, ver1
13	20.12.	JM	pdf	Rozhodovací stromy.	Decision_tree Decision_tree_learning	Rudin@MIT
14	3.1.	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

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.

Table of Contents