Raspoznavanje uzoraka

Prikazani su podaci za akademsku godinu: 2023./2024.

Nositelji

Izv. prof. dr. sc.
Zoran Kalafatić

Predavanja

Prof. dr. sc.
Slobodan Ribarić

Opis predmeta

Zadatak raspoznavanja uzoraka. Značajke, vektor značajki, klasifikator. Model sustava za raspoznavanje. Određivanje linearnih decizijskih funkcije. Gradijentni postupci učenja. Postupak perceptrona sa stalnom korekcijom.Inačice algoritma perceptrona. Ho-Kashyapov algoritam. Poopćeni algoritam perceptrona. Ilustracija postupaka i rješavanje numeričkih problema. Fisherova linearna diskriminantna analiza (FLDA). Višestruka diskriminantna analiza. Skup uzoraka za učenje i skup uzoraka za ispitivanje - metode ispitivanja. Ilustracija postupaka i rješavanje numeričkih problema. Strojevi s potpornim vektorima (SVM). Nelinearni klasifikatori. Poopćene linearne decizijske funkcije. Dihotomija. Metode temeljene na jezgrenim funkcijama. Karhunen – Loeve transformacija (analiza glavnih komponenti). Umjetne neuronske mreže. Troslojni i višeslojni perceptron. Postupci učenja propagacijom pogreške unatrag.

Studijski programi

Sveučilišni diplomski
[FER3-HR] Audiotehnologije i elektroakustika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Automatika i robotika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektroenergetika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektroničko i računalno inženjerstvo - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektronika - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Elektrostrojarstvo i automatizacija - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Informacijsko i komunikacijsko inženjerstvo - profil
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
[FER3-HR] Komunikacijske i svemirske tehnologije - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Programsko inženjerstvo i informacijski sustavi - profil
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmet profila (1. semestar) (3. semestar)
[FER3-HR] Računalno inženjerstvo - profil
Izborni predmeti (1. semestar)
[FER3-HR] Računalno modeliranje u inženjerstvu - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Računarska znanost - profil
Jezgreni predmeti profila (1. semestar) (3. semestar)
[FER3-HR] Znanost o mrežama - profil
Izborni predmeti (1. semestar) (3. semestar)
[FER3-HR] Znanost o podacima - profil
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti profila (1. semestar) (3. semestar)
[FER2-HR] Obradba informacija - profil
Teorijski predmeti profila (1. semestar)
[FER2-HR] Računarska znanost - profil
Teorijski predmeti profila (1. semestar)

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

predavanja se izvode u kombinaciji s numeričkim rješavanjem primjera

Seminari i radionice

prezentacije studentskih projekata

Samostalni zadaci

timski studentski projekti

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Međuispit: Pismeni 50 % 50 % 0 %
Završni ispit: Pismeni 50 % 50 %
Napomena / komentar

Nazočnost na predavanjima je obavezna i kontrolira se - studenti koji imaju nazočnost manju od 80% NE MOGU PRISTUPITI međuispitu i završnom ispitu (u sklopu kontinuirane provjere). Njima preostaje samo "klasični" ispit.

Tjedni plan nastave

  1. Zadatak raspoznavanja uzoraka. Značajke, vektor značajki, klasifikator. Osnovni modeli sustava raspoznavanja uzoraka te primjeri primjene, Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  2. Model sustava za raspoznavanje. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  3. Linearne i nelinearne decizijske funkcije
  4. Gradijentni postupci učenja
  5. Inačice algoritma perceptrona. Ho-Kashyapov algoritam. Poopćeni algoritam perceptrona
  6. Fisherova linearna diskriminantna analiza (FLDA)
  7. Višestruka diskriminantna analiza
  8. Međuispit
  9. Strojevi s potpornim vektorima (SVM) Kernel functions (RBF, graph kernels, Mercer kernels, linear kernels)
  10. Nelinearni klasifikatori. Poopćene linearne decizijske funkcije. Dihotomija. Metode temeljene na jezgrenim funkcijama Kernel functions (RBF, graph kernels, Mercer kernels, linear kernels) Analiza glavnih komponenata, Bajesovo pravilo za klasifikaciju
  11. Nelinearni klasifikatori. Poopćene linearne decizijske funkcije. Dihotomija. Metode temeljene na jezgrenim funkcijama Kernel functions (RBF, graph kernels, Mercer kernels, linear kernels)
  12. Nelinearni klasifikatori. Poopćene linearne decizijske funkcije. Dihotomija. Metode temeljene na jezgrenim funkcijama Kernel functions (RBF, graph kernels, Mercer kernels, linear kernels) Evaluacija performanse sustava Konfuzijska matrice, točnost, preciznost, osjetljivost, F- omjer Biometrijska identifikacija osoba
  13. Karhunen – Loeve transformacija /analiza glavnih komponenti
  14. Umjetne neuronske mreže. Troslojni i višeslojni perceptron. Postupci učenja propagacijom pogreške unatrag.
  15. Završni ispit

Literatura

S. Theodoridis, K. Koutroumbas (2009.), Pattern Recogniton, Elsevier, Academic Press
R.O. Duda, P. E. Hart, D.G. Stork (2001.), Pattern Classification, J. Wiley
L. I. Kuncheva (2014.), Combining Pattern Classifiers: Methods and Algorithms,, Wiley-Blackwell
L. Gyrgyek, N. Pavešić, S. Ribarić (1988.), Uvod u raspoznavanje uzoraka, Tehnička knjiga Zagreb,

Za studente

Izvedba

ID 222770
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
6 Auditorne vježbe
0 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

89 izvrstan
74 vrlo dobar
61 dobar
50 dovoljan

Sličan predmet