Opis predmeta
- 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, stroji podpornih vektorjev, verjetnostne odločitvene funkcije, učenje verjetnostnih odločitvenih funkcij.
- Razvrščanje vzorcev z nevronskimi omrežji: topologija nevronskih omrežjih, vzvratno učenje, globoka nevronska omrežja, povratna nevronska omrežja.
- Preizkušanje razpoznavalnika vzorcev: postopki ocenjevanja verjetnosti napačnega razpoznavanja z in brez preizkusne množice vzorcev.
Predmet učimo na programih
Elektrotehnika 2. stopnja
Cilji in kompetence
Cilj predmeta je študentu podati znanje o osnovnih matematičnih in računalniških konceptih, ki se uporabljajo pri izgradnji umetnih zaznavnih sistemov in so nepogrešljiv del inteligentnih sistemov v avtomatiki. Pridobljeno znanje je podlaga za razumevanje in načrtovanje sistemov za samodejno razpoznavanje vzorcev ter umetnih inteligentnih sistemov, ki temeljijo na samodejnem učenju in pridobivanju znanja iz različnih senzorskih podatkov o okolju.
Metode poučevanja in učenja
Na predavanjih so podane teoretične osnove vseh obravnavanih modelov in metod. Predstavljeni so tudi preprosti računski primeri, ki ponazarjajo ključne značilnosti predstavljenih metod. Študentom je na razpolago učbenik in drugo gradivo v obliki skripte z rešenimi nalogami in drsnice s predavanj. V okviru predavanja študenti dobijo neobvezne domače naloge, ki vključujejo nekaj teoretičnih vprašanj in tudi nekaj računskih nalog, ki študentom omogočajo sprotno preverjanje pridobljenega znanja. Praktično delo poteka v okviru laboratorijskih vaj, kjer študenti rešujejo predvsem zadane programerske naloge. V okviru laboratorijskih vaj študenti izvedejo še izbirne projekte, v okviru katerih udejanjijo izbrano metodo samodejnega razpoznavanja vzorcev na izbranem področju uporabe. O rezultatih izbirnega projekta poročajo v pisnem poročilu.
Predvideni študijski rezultati
Po uspešno opravljenem predmetu naj bi bili študenti zmožni:
- opisati osnovne koncepte in gradnike sistemov za samodejno razpoznavanje vzorcev, ki z analizo senzorskih podatkov in drugih osnovnih meritev s simboli opisujejo svoje okolje,
- razložiti osnovne metode luščenja značilk iz senzorskih podatkov ter rojenja, razvrščanja in razpoznavanja vzorcev,
- uporabiti razvojna orodja, programska okolja in podatkovne zbirke za razvoj sistemov za samodejno razpoznavanje vzorcev,
- analizirati senzorske podatke in druge osnovne meritve z namenom luščenja značilk, ki so najbolj primerne za dano področje uporabe,
- razviti sisteme za samodejno razpoznavanje vzorcev za izbrano področje uporabe ter
- ovrednotiti točnost delovanja danih sistemov za samodejno razpoznavanje vzorcev.
Temeljni viri in literatura
- N. Pavešić: Razpoznavanje vzorcev (3. izdaja), Založba FE in FRI, 2012.
- S. Theodoridis, K. Koutroumbas: Pattern Recognition (4. izdaja), Academic Press, 2009.
- C. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2007