Raspoznavanje uzoraka

Opis predmeta

Raspoznavanje uzoraka je znanstvena disciplina u području računarskih znanosti čiji je cilj klasifikacija objekata u kategorije ili razrede. U zavisnosti od područja primjene, objekti mogu biti slike ili valni oblici ili bilo koja vrsta mjerenja koja se mora razvrstati. Predmet Raspoznavanje uzoraka daje teorijske pretpostavke za razumijevanje postupaka raspoznavanja ali i bazu za oblikovanje i izgradnju sustava za raspoznavanje.

Opće kompetencije

Studentima daje kompetentnost u razumijevanju, oblikovanju i analizi složenih sustava za raspoznavanje 1D, 2D i 3D uzoraka.

Ishodi učenja

  1. objasniti i definirati pojmove iz raspoznavanja uzoraka
  2. objasniti i razlikovati postupke, metode i algoritme u području raspoznavanja uzoraka
  3. primijeniti metode iz raspoznavanja uzoraka u novim složenim aplikacijama
  4. analizirati i raščlaniti problem složenog sustava raspoznavanja uzoraka
  5. dizajnirati i razviti sustav za raspoznavanje uzorka za određenu aplikaciju
  6. ocijeniti kvalitetu rješenja sustava za raspoznavanje uzoraka

Oblici nastave

Predavanja

Nastava se održava u dva ciklusa - svaki po 7 tjedana. Nastava se provodi kroz 15 tjedana s tjednim opterećenjem od tri sata. Nakon svakog ciklusa, tj. u 8. tjednu predavanja i 15. tjednu predavanja provodi se provjera znanja, odnosno završni ispit. Tjedan neposredno prije provjere znaja, odnosno zavrsnog ispita predviđen je za rješavanje zadataka.

Provjere znanja

Provjera znanja se obavlja pismenim ispitom dva puta u semestru.

Konzultacije

Jednom tjedno predviđene su konzultacije u trajanju od 2 sata.

Seminari

Grupe od četiri do sedam studenata dobivaju projektni zadatak koji timski rješavaju i programski implementiraju sustav za raspoznavanje uzoraka te provode njegovu evaluaciju.

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Napomena / komentar Udio u ocjeni
Seminar/Projekt 50 % 20 % 0 % 20 %
Međuispit: Pismeni 50 % 40 % 0 %
Završni ispit: Pismeni 50 % 40 %
Ispit: Pismeni 50 % 80 %

Tjedni plan nastave

  1. Zadatak raspoznavanja uzoraka. Značajke, vektor značajki, klasifikator.
  2. Model sustava za raspoznavanje.
  3. Određivanje linearnih decizijskih funkcije. Gradijentni postupci učenja. Postupak perceptrona sa stalnom korekcijom. Inačice algoritma perceptrona.
  4. Ho-Kashyapova metoda učenja. Poopćeni algoritam perceptrona.
  5. Ilustracija postupaka i rješavanje numeričkih problema.
  6. Fisherova linearna diskriminantna analiza (LDA). Višestruka diskriminantna analiza. Skup uzoraka za učenje i skup uzoraka za ispitivanje - metode ispitivanja.
  7. Ilustracija postupaka i rješavanje numeričkih problema.
  8. Međuispit – provjera znanja.
  9. Strojevi s potpornim vektorima (SVM).
  10. Nelinearni klasifikatori. Poopćene linearne decizijske funkcije. Dihotomija. Metode temeljene na jezgrenim funkcijama.
  11. Klasifikator temeljen na Bayesovoj decizijskoj teoriji.
  12. Karhunen – Loeve transformacija (analiza glavnih komponenti).
  13. Umjetne neuronske mreže. Troslojni i višeslojni perceptron. Postupci učenja propagacijom pogreške unatrag. Skriveni Markovljevi modeli.
  14. Ilustracija postupaka i rješavanje numeričkih problema.
  15. Završni ispit.

Studijski programi

Sveučilišni diplomski
Obradba informacija (profil)
Teorijski predmeti profila (1. semestar)
Računarska znanost (profil)
Teorijski predmeti profila (1. semestar)

Literatura

S. Theodoridis, K. Koutroumbas (2009.), Pattern Recogniton, Elsevier
R.O. Duda, P. E. Hart, D.G. Stork (2001.), Pattern Classification, J. Wiley, New York
L. Gyrgyek, N. Pavešić, S. Ribarić (1988.), Uvod u raspoznavanje uzoraka, Tehnička knjiga Zagreb
L. I. Kuncheva (2004.), Combining Pattern Classifiers: Methods and Algorithms, Wiley-Blackwell

Predavanja

Izvedba

ID 34404
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Auditorne vježbe
0 Laboratorijske vježbe

Ocjenjivanje

89 izvrstan
74 vrlo dobar
61 dobar
50 dovoljan