Razpoznavanje vzorcev

Visokošolski učitelji: Dobrišek Simon

Opis predmeta

Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti:

• Zaključen dodiplomski študij na področju elektrotehnike ali sorodnih tehniških oziroma naravoslovno-matematičnih ved.
• Vpis v 1. letnik podiplomskega študijskega programa II. stopnje Elektrotehnika.
• Osnovno znanje uporabne matematike (vektorji in matrike, lastni vektorji in lastne vrednosti, linearna algebra, več-variabilna analiza, verjetnostna teorija in statistika)

Vsebina:

• Uvod v razpoznavanje vzorcev: osnovni pojmi in izrazoslovje, začetni zapis vzorcev, računska zapletenost algoritmov razpoznavanja, razvrstitev postopkov razpoznavanja vzorcev.
• Razčlenjevanje vzorcev: postopki razčlenjevanja govornega signala in slik.
• Hevristične značilke vzorcev: značilke izsekov govornega signala, značilke področij slike.
• Analiza področja uporabe v vzorčnem prostoru s postopki iskanja rojev: definicija rojev in rojenja vzorcev, mere podobnosti vzorcev, predobdelava množice vzorcev, hierarhični postopek iskanja rojev.
• Najboljše značilke vzorcev: mere ločljivosti razredov vzorcev, izbira in izpeljava značilk, določanje značilk z ortogonalnimi transformacijami.
• Razvrščanje vzorcev s prileganjem: pravilo razvrščanja "k-najbližjih sosedov".
• Razvrščanje vzorcev z odločanjem: odločitvene funkcije, načrti razvrščevalnikov vzorcev, polinomske odločitvene funkcije, postopki učenja, verjetnostne odločitvene funkcije, učenje verjetnostnih odločitvenih funkcij.
• Razvrščanje vzorcev z večplastnim perceptronom: topologija nevronskega omrežja, vzvratno učenje.
• Preizkušanje razpoznavalnika vzorcev: postopki ocenjevanja verjetnosti napačnega razpoznavanja z in brez preizkusne množice vzorcev.

Cilji in kompetence:

Seznaniti študenta z osnovnimi matematičnimi in računalniškimi načeli izgradnje umetnih zaznavnih sistemov, ki so nepogrešljiv del inteligentnih sistemov v avtomatiki.

Predvideni študijski rezultati:

• Znanje in razumevanje:

Po zaključku tega predmeta bo študent zmožen izkazati znanje in razumevanje:

gradnje inteligentnih sistemov, ki temeljijo na metodah razpoznavanju vzorcev,
modeliranja določenih umskih zmožnosti človeka (zaznavanje in spoznavanje okolja, učenje),
metod luščenja značilk, rojenja, razvrščanja in razpoznavanja.

• Uporaba znanja:

Pridobljeno znanje bo študent lahko uporabil pri gradnji tehniških sistemov, ki lahko z gledanjem, poslušanjem in tipanjem s simboli opisujejo okolje, ki jih obkroža. Takšni sistemi so nepogrešljiv del vsakega inteligentnega (robotskega) sistema, lahko pa jih uporabljamo tudi kot samostojne izdelke visoke tehnološke vrednosti. Študent bo zmožen kritično ovrednotiti skladnost med pridobljenim znanjem ter uporabo konceptov iz teorije razpoznavanja vzorcev v praksi.

• Prenosljive spretnosti:

Študent si bo pridobil spretnosti:

uporabe literature ter drugih virov s področja razpoznavanja vzorcev, strojnega učenja in umetne inteligence.

uporaba računalniških razvojnih orodij in okolij za programiranje (pisanje programov v enem od programskih jezikov C/C++, C#, Java, Python ali z uporabo razvojnega okolja MatLab),
reševanja problemov: analiza problema, načrtovanje algoritma, implementacija programa in testiranje programa.

Metode poučevanja in učenja:

• predavanja,
• laboratorijske vaje in projekti,
• reševanje domačih nalog.

Gradiva

Temeljni literatura in viri:

1. N. Pavešić: Razpoznavanje vzorcev (3. izdaja), Založba FE in FRI, 2012.
2. S. Theodoridis, K. Koutroumbas: Pattern Recognition (4. izdaja), Academic Press, 2009.
3. C. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007