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 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 pdf Úvod. Formulace úloh řešených v rozpoznávání. Bayesovské rozhodování Machine_learning Naive_Bayes_classifier some simple problems
2 1.10. JM pdf Nebayesovské úlohy (Neyman-Pearson, Minimax, Wald). Minimax
3 8.10. JM pdf Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti. Maximum_likelihood
4 15.10. JM pdf Metoda nejbližších sousedů. Neparametrické odhady hustoty K-nearest_neighbor_algorithm
5 22.10. JM pdf Logistická regrese Logistic_regression
6 29.10. JM pdf Učení klasifikátoru. Lineární klasifikátor. Perceptron Linear_classifier Perceptron
7 5.11. JM pdf Učení jako kvadratický optimalizační problém. Klasifikátor typu SVM. Support_vector_machine
8 12.11. JM pdf Učení metodou Adaboost Adaboost
9 19.11. JM pdf Učení metodou backpropagation. Neuronové sítě.Artificial_neural_network
10 26.11. JM pdf Shlukování metodou k-means K-means_clustering K-means++
11 3.12. JM pdf EM algoritmus Expectation_maximization_algorithm Hoffmann,Bishop,Flach
12 10.12. JM pdf Principal component analysis. Fisherův linearní discriminant. Principal_component_analysis Linear_discriminant_analysis Veksler, Franc, ver1
13 17.12. JM pdf 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%.
  • Pro známku “A” je podmínkou získat z písemné části zkoušky alespoň “B”.
  • Podmínkou složení zkoušky je získání minimálního počtu bodů v písemné části zkoušky (typicky 5-10 bodů ze 40, v závislosti na obtížnosti testu.)
  • 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: 2021/11/30 20:09 by matas