FI:PA196 Pattern Recognition - Informace o předmětu
PA196 Pattern Recognition
Fakulta informatikypodzim 2020
Předmět se v období podzim 2020 nevypisuje.
- Rozsah
- 2/2/0. 3 kr. (plus ukončení). Ukončení: zk.
- Vyučující
- doc. Ing. Vlad Popovici, PhD (přednášející), doc. RNDr. Petr Matula, Ph.D. (zástupce)
- Garance
- doc. RNDr. Petr Matula, Ph.D.
Katedra vizuální informatiky – Fakulta informatiky
Dodavatelské pracoviště: Katedra vizuální informatiky – Fakulta informatiky - Rozvrh
- St 16:00–17:50 A318
- Rozvrh seminárních/paralelních skupin:
- Předpoklady
- At least working knowledge of statistics/probabilities, linear algebra and mathematical analysis are required
- Omezení zápisu do předmětu
- Předmět je nabízen i studentům mimo mateřské obory.
- Mateřské obory/plány
- Analýza a zpracování obrazu (program FI, N-VIZ)
- Bioinformatika a systémová biologie (program FI, N-UIZD)
- Computer Games Development (program FI, N-VIZ_A)
- Computer Graphics and Visualisation (program FI, N-VIZ_A)
- Computer Networks and Communications (program FI, N-PSKB_A)
- Cybersecurity Management (program FI, N-RSSS_A)
- Formální analýza počítačových systémů (program FI, N-TEI)
- Grafický design (program FI, N-VIZ)
- Graphic Design (program FI, N-VIZ_A)
- Hardware Systems (program FI, N-PSKB_A)
- Hardwarové systémy (program FI, N-PSKB)
- Image Processing and Analysis (program FI, N-VIZ_A)
- Informační bezpečnost (program FI, N-PSKB)
- Information Security (program FI, N-PSKB_A)
- Kvantové a jiné neklasické výpočetní modely (program FI, N-TEI)
- Počítačová grafika a vizualizace (program FI, N-VIZ)
- Počítačové sítě a komunikace (program FI, N-PSKB)
- Principy programovacích jazyků (program FI, N-TEI)
- Řízení kyberbezpečnosti (program FI, N-RSSS)
- Řízení vývoje služeb (program FI, N-RSSS)
- Řízení vývoje softwarových systémů (program FI, N-RSSS)
- Services Development Management (program FI, N-RSSS_A)
- Software Systems Development Management (program FI, N-RSSS_A)
- Software Systems (program FI, N-PSKB_A)
- Softwarové systémy (program FI, N-PSKB)
- Strojové učení a umělá inteligence (program FI, N-UIZD)
- Vývoj počítačových her (program FI, N-VIZ)
- Zpracování a analýza rozsáhlých dat (program FI, N-UIZD)
- Zpracování přirozeného jazyka (program FI, N-UIZD)
- Cíle předmětu
- By successful completion of the course, the students will: (i) have solid understanding of the principles of pattern recognition; (ii) master the main methods for model performance estimation; (iii) have a good grasp of different parametric and non-parametric methods for classification; (iv) understand the main classification methods; (v) have a working knowledge of kernel methods; (vi) understand and master the performance estimation techniques (vii) have hands-on experience of using pattern recognition methods in computer vision and biomedical applications.
- Výstupy z učení
- By successful completion of the course, the students will: (i) have solid understanding of the principles of pattern recognition; (ii) master the main methods for model performance estimation; (iii) have a good grasp of different parametric and non-parametric methods for classification; (iv) understand the main classification methods; (v) have a working knowledge of kernel methods; (vi) understand and master the performance estimation techniques (vii) have hands-on experience of using pattern recognition methods in computer vision and biomedical applications.
- Osnova
- 1. Introduction: problem setting; distances, metrics, similarity; Bayesian decision theory 2. Non-parametric methods: density estimation; nearest neighbor methods 3. Classification performance: performance criteria; performance estimation; confidence intervals; classifier comparison 4. Linear discriminants: decision surfaces; parameter optimization; shrinkage, penalized regression, optimal separating hyperplanes; SVM 5. Ensemble methods: fusion of labels or continuous outputs; parallel and cascaded systems; bagging and boosting; AdaBoost 6. One-class classifiers: Gaussian mixtures; support vector density estimators; outlier detection 7. Dimensionality reduction: feature selection; PCA, ICA, non linear PCA 8. Unsupervised learning/clustering: principles; mixture of densities; hierarchical clustering
- Literatura
- povinná literatura
- HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
- doporučená literatura
- KUNCHEVA, Ludmila. Combining pattern classifiers: methods and algorithms. John Wiley & Sons, 2004. ISBN 0-471-21078-1. info
- DUDA, Richard O., David G. STORK a Peter E. HART. Pattern classification. 2nd ed. New York, N.Y: John Wiley & Sons, 2001, xx, 654. ISBN 0471056693. info
- neurčeno
- HEIJDEN, Ferdinand van der, Robert DUIN, Dick de RIDDER a David M J TAX. Classification, Parameter Estimation and State Estimation: An Engineering Approach Using MATLAB. 2004. ISBN 978-0-470-09013-8. info
- Výukové metody
- Lectures; group work on specific topics; laboratory classes.
- Metody hodnocení
- Written and practical exams; bonuses for attendance and involvement
- Vyučovací jazyk
- Angličtina
- Další komentáře
- Studijní materiály
Předmět je vyučován každoročně.
- Statistika zápisu (podzim 2020, nejnovější)
- Permalink: https://is.muni.cz/predmet/fi/podzim2020/PA196