Detail předmětu
Strojové učení a rozpoznávání
FIT-SURAk. rok: 2020/2021
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
Zajišťuje ústav
Výsledky učení předmětu
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.
Prerekvizity
Základní znalost běžného matematického formalismu.
- doporučená prerekvizita
Doporučená nebo povinná literatura
Bishop, C. M.: Pattern Recognition, Springer Science + Business Media, LLC, 2006, ISBN 0-387-31073-8.
Hart, P. E., Stork, D. G.:Pattern Classification (2nd ed), John Wiley & Sons, 2000, ISBN: 978-0-471-05669-0.
Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.
Způsob a kritéria hodnocení
- Půlsemestrální test - až 15 bodů
- Projekt - až 25 bodů
- Závěrečná písemná zkouška - až 60 bodů
Jazyk výuky
čeština
Cíl
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..
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.
Zařazení předmětu ve studijních plánech
- Program MITAI magisterský navazující
specializace NBIO , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NISD , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NISY , libovolný ročník, letní semestr, 5 kreditů, povinný
specializace NIDE , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NCPS , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NSEC , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NMAT , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NGRI , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NNET , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NVIZ , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NSEN , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NMAL , libovolný ročník, letní semestr, 5 kreditů, povinný
specializace NHPC , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NVER , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NEMB , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NADE , libovolný ročník, letní semestr, 5 kreditů, volitelný
specializace NSPE , libovolný ročník, letní semestr, 5 kreditů, povinný
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
Osnova
- Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
- Pravděpodobnostní rozdělení, statistické rozpoznávání vzorů.
- Generativní a diskriminativní modely.
- Vícerozměrné gaussovo rozložení, odhad parametrů s maximální věrohodností.
- Směs
gaussovských rozložení (GMM), maximalizace očekávání (EM). - Extrakce příznaků, Mel-frekvenční kepstrální koeficienty.
- Aplikace pravděpodobnostních modelů ve zpracování řeči a obrazu.
- Lineární klasifikátory, perceptron
- Gaussovský lineární
klasifikátor, logistická regrese - Support vector machines (SVM), jádrové (kernel) funkce
- Neuronové sítě - dopředné, konvoluční a rekurentní
- Skryté markovovy modely (HMM) a jejich aplikace na rozpoznávání řeči.
- Prezentace projektů
Projekt
13 hod., povinná
Vyučující / Lektor
Osnova
- Individuálně zadávané projekty