Detail předmětu

Strojové učení a rozpoznávání

SUR Ak. rok 2024/2025 letní semestr 5 kreditů

Klasifikační úloha a rozpoznávání vzorů, základní schéma klasifikátoru, data a vyhodnocování úspěšnosti jednotlivých metod, statistické rozpoznávání vzorů, extrakce příznaků, baysovské učení, odhad s maximální věrohodnosti (ML), vícerozměrné Gaussovo rozložení, směs gaussovských rozložení (GMM), algoritmus maximalizace očekávání (EM algoritmus), lineární klasifikátory, perceptron, gaussovský lineární klasifikátor, logistická regrese, SVM, dopředné neuronové sítě, konvoluční a rekurentní neuronové sítě, rozpoznávání sekvencí, skryté Markovovy modely (HMM). Aplikace probraných metod na zpracování řeči a obrazu.

Garant předmětu

Koordinátor předmětu

Jazyk výuky

česky

Zakončení

zkouška (kombinovaná)

Rozsah

  • 26 hod. přednášky
  • 13 hod. seminář
  • 13 hod. projekty

Bodové hodnocení

  • 60 bodů závěrečná zkouška (písemná část)
  • 15 bodů půlsemestrální test (písemná část)
  • 25 bodů projekty

Zajišťuje ústav

Přednášející

Cvičící

Cíle předmětu

Porozumět základům strojového učení se zaměřením na problém klasifikace a rozpoznávání vzorů. Naučit se aplikovat základní algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči a obrazu. Pochopit základní principy různých generativních a diskriminativních modelů pro statistického rozpoznávání vzorů. Seznámit se se způsoby vyhodnocování úspěšnosti těchto metod..
Studenti se v rámci předmětu seznámí s problematikou strojového učení aplikovaného na problém klasifikace a rozpoznávání vzorů. Naučí se aplikovat základní algoritmy a modely v této oblasti na vybrané problémy zpracování mluvené řeči a počítačové grafiky. Porozumí rozdílům mezi jednotlivými metodami a dokáží využít výhod existujících klasifikátorů při řešení prakticky orientovaných projektů.
Studenti se seznámí s knihovnami jazyka python zaměřenými na matematické operace, lineární algebru a strojové učení. Zdokonalí se v praktickém užívání matematiky (teorie pravděpodobnosti, statistika, lineární algebra, ...) a programátorských nástrojů. Naučí se řešit týmové projekty.

Doporučené prerekvizity

Požadované prerekvizitní znalosti a dovednosti

Základní znalost běžného matematického formalismu.

Literatura studijní

  • Hart, P. E., Stork, D. G.:Pattern Classification (2nd ed), John Wiley & Sons, 2000, ISBN: 978-0-471-05669-0.

Literatura referenční

Osnova přednášek

  1. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
  2. Pravděpodobnostní rozdělení, statistické rozpoznávání vzorů.
  3. Generativní a diskriminativní modely.
  4. Vícerozměrné gaussovo rozložení, odhad parametrů s maximální věrohodností.
  5. Směs gaussovských rozložení (GMM), maximalizace očekávání  (EM).
  6. Extrakce příznaků, Mel-frekvenční kepstrální koeficienty.
  7. Aplikace pravděpodobnostních modelů ve zpracování řeči a obrazu.
  8. Lineární klasifikátory, perceptron
  9. Gaussovský lineární klasifikátor, logistická regrese
  10. Support vector machines (SVM), jádrové (kernel) funkce
  11. Neuronové sítě - dopředné, konvoluční a rekurentní
  12. Skryté markovovy modely (HMM) a jejich aplikace na rozpoznávání řeči.
  13. Prezentace projektů

Osnova seminářů

Demonstrační cvičení (1h týdně) navazují na přednášku a demonstrují studentům přednášené techniky na datech a reálném kódu. Kód a data pro příklady budou k dispozici studentům.

Osnova ostatní - projekty, práce

  • Individuálně zadávané projekty

Průběžná kontrola studia

  • Půlsemestrální test - až 15 bodů
  • Projekt - až 25 bodů
  • Závěrečná písemná zkouška - až 60 bodů

Pro získání bodů ze zkoušky je nutné získat min. 20 bodů, jinak je zkouška hodnocena 0 body.


Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.

Rozvrh

DenTypTýdnyMístn.OdDoKapacitaPSKSkupInfo
St přednáška výuky E105 16:0017:5070 1MIT 2MIT NMAL NSPE xx Burget
St seminář výuky E105 18:0018:5070 1MIT 2MIT NMAL NSPE xx Burget

Zařazení předmětu ve studijních plánech

Nahoru