Προπτυχιακό Μάθημα: Αναγνώριση Προτύπων (ΜΥΕ002)
(Εαρινό εξάμηνο 2018)
Διδάσκων: Κωνσταντίνος Δ. Μπλέκας,
E-mail: kblekas[at]cs.uoi.gr Tel :
+30-26510-08816
Ώρες
διδασκαλίας: Τρίτη 9-12, Αίθουσα Ι2
Περιγραφή του μαθήματος
Η
αναγνώριση προτύπων (pattern recognition)
είναι ένα πεδίο έρευνας που μελετά τον σχεδιασμό και την υλοποίηση μεθόδων και
συστημάτων που αναγνωρίζουν πρότυπα στα δεδομένα και αναλύουν την διαθέσιμη
πληροφορία που προέρχεται από κάποιο (φυσικό ή τεχνητό) φαινόμενο. Στόχος της
ανάλυσης είναι η επίτευξη της αντίληψης του φαινομένου ώστε να φτάσουμε στην
ερμηνεία του και τελικά στην απόκτηση γνώσης.
Το πρόβλημα της αναγνώρισης προτύπων ανάγεται σε προβλήματα ομαδοποίησης (clustering),
ταξινόμησης (classification) και παλινδρόμησης (regression) ενός συνόλου κατάλληλων
χαρακτηριστικών, χρησιμοποιώντας τεχνικές μάθησης που βασίζονται στην
στατιστική (Μπεϋζιανή ανάλυση),
σε τεχνικές βελτιστοποίησης μιας συνάρτησης κόστους και σε νευρωνικά δίκτυα.
Η αναγνώριση προτύπων συμπεριλαμβάνει επιπλέον τομείς όπως η εξαγωγή
χαρακτηριστικών (feature extraction),
η εύρεση των σημαντικότερων χαρακτηριστικών ή επιλογή χαρακτηριστικών (feature
selection), και η εκτίμηση σφάλματος.
Σημαντικές τομείς εφαρμογών είναι η υπολογιστική όραση, η ανάλυση/κατάτμηση
εικόνας, η αναγνώριση χαρακτήρων, η ανάλυση φωνής, η αναγνώριση προσώπων, η
ομαδοποίηση/ταξινόμηση κειμένων από το Διαδίκτυο, η Ρομποτική, η Βιοπληροφορική, κλπ..
Ύλη του μαθήματος
- Δεδομένα - Πρότυπα, Μάθηση, Εκτίμηση, Προβλήματα
Αναγνώρισης Προτύπων
- Μέθοδοι ταξινόμησης (classification) – Μάθηση με επίβλεψη (Supervised Learning)
- Ο κανόνας του
κοντινότερου γείτονα (Nearest neighbor classifier)
- Γραμμικοί
ταξινομητές (Linear Classifiers)
- Αλγόριθμος Perceptron, γραμμικό μοντέλο,
- Νευρωνικά Δίκτυα
(Neural Networks)
- Μηχανές Διανυσματικής
Διάκρισης (Support Vector Machines).
- Ταξινόμηση κατά Bayes. Μπεϋζιανοί ταξινομητές. (Bayesian classifiers)
- Μέθοδοι
εκτίμησης
της κατανομής από δειγματικό πληθυσμό (Density
estimation)
- Μη-παραμετρικές
μέθοδοι (Ιστογράμματα, Parzen windows)
- Παραμετρικές μέθοδοι
εκτίμησης
- Μέθοδος των ροπών
- Εκτίμηση μεγίστης πιθανοφάνειας. (Maximum Likelihood
estimation)
- Εκτίμηση εκ των
υστέρων πιθανότητας (Maximum A – Posteriori estimation)
- Μπεϋζιανή εκτίμηση παραμέτρων
(Bayesian estimation)
- Ομαδοποίηση δεδομένων (Data
Clustering) – Μάθηση χωρίς
επίβλεψη (Unsupervised Learning)
- Ο αλγόριθμος των
Κ-μέσων (K-means clustering)
και εφαρμογές του.
- Learning
Vector Quantizer (LVQ)
- Ιεραρχική ομαδοποίηση
(Hierarchical Clustering)
- Φασματική Ομαδοποίηση (Spectral clustering)
- Μικτά μοντέλα κατανομών (Mixture models) και ο αλγόριθμος EM (Expectation – Maximization)
- Aκολουθιακά δεδομένα (Sequential data)
- Γραμμικοί και μη γραμμικοί παλινδρομητές
(Regression models)
- Μαρκοβιανά μοντέλα
- Κρυμμένα μοντέλα Markov (Hidden Markov Models) για συμβολικά και
συνεχή δεδομένα
- Μείωση Διάστασης Προτύπων (Dimensionality Reduction)
- Τεχνικές Εξαγωγής
χαρακτηριστικών (Feature extraction)
- Επιλογή χαρακτηριστικών (Feature selection)
·
Προχωρημένα
Θέματα Αναγνώρισης Προτύπων (Advanced Pattern Recognition)
o
Deep Learning (Convolution Neural Networks -
Auto-encoders)
o Decision trees & Random Forests
o Bagging, Boosting, Ensemble Classifiers
Συγγράματα
Αναγνώριση
Προτύπων. S. Theodoridis,
K.
Koutroumbas. Εκδόσεις Πασχαλίδης, 2012.
Σημειώσεις του
βιβλίου (με την άδεια των συγγραφέων)
Σημαντικές πηγές του Διαδικτύου