Uvod u raspoznavanje uzoraka

Prikazani su podaci za akademsku godinu: 2024./2025.

Nositelji

Izv. prof. dr. sc.
Tomislav Hrkać

Opis predmeta

Raspoznavanje uzoraka. Osnovni motivi istraživanja. Model sustava za raspoznavanje. Primjer sustava za raspoznavanje uzoraka. Odnos umjetne inteligencije i raspoznavanja uzoraka. Izbor osnovnih značajki uzorka. Linearne i nelinearne transformacije. Kodiranje osnovnih značajki. Linearne funkcije odlučivanja. Nelinearne funkcije odlučivanja. Postupci učenja funkcija odlučivanja. Statistička klasifikacija uzoraka. Bayesov kriterij odlučivanja. Ocjena parametara. Nenumeričko raspoznavanje uzoraka. Strukturno razvrstavanje uzoraka. Sintaktičko raspoznavanje uzoraka pomoću stohastičkih jezika. Analiza grupa. Primjeri izvedbi sustava za raspoznavanje uzoraka.

Studijski programi

Sveučilišni preddiplomski
[FER3-HR] Elektrotehnika i informacijska tehnologija - studij
Izborni predmeti (6. semestar)
[FER3-HR] Računarstvo - studij
Izborni predmeti (6. semestar)
[FER2-HR] Obradba informacija - modul
Izborni predmeti (6. semestar)
[FER2-HR] Programsko inženjerstvo i informacijski sustavi - modul
Izborni predmeti (6. semestar)
[FER2-HR] Računarska znanost - modul
Izborni predmeti (6. semestar)

Ishodi učenja

  1. objasniti osnovne koncepte iz raspoznavanja uzoraka
  2. primijeniti znanje u oblikovanju sustava za raspoznavanje
  3. integrirati i kombinirati znanja u cilju dobivanja novih rješenja
  4. procijeniti i ocijeniti uporabnost metoda raspoznavanja

Oblici nastave

Predavanja

Predavanja praćena brojnim rješenjima problema

Auditorne vježbe

Primjeri numeričkih rješenja zadataka

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
2. Međuispit: Pismeni 50 % 50 % 50 %
Završni ispit: Pismeni 50 % 50 %

Tjedni plan nastave

  1. Osnovni modeli sustava raspoznavanja uzoraka te primjeri primjene
  2. Linearne i nelinearne decizijske funkcije
  3. Linearne i nelinearne decizijske funkcije
  4. Linearne i nelinearne decizijske funkcije
  5. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje)
  6. Izlučivanje i kodiranje značajki
  7. Bajesovo pravilo za klasifikaciju
  8. Međuispit
  9. Bajesovo pravilo za klasifikaciju
  10. Multivarijatni gaussovski Bayesov model
  11. Jezični pristup raspoznavanju uzoraka. otkrivanje gramatike temeljeno na vjerojatnosti
  12. Jezični pristup raspoznavanju uzoraka. otkrivanje gramatike temeljeno na vjerojatnosti
  13. Algoritam k-srednjih vrijednosti
  14. Prilagodljivi algoritmi za grupiranje (ISODATA)
  15. Završni ispit

Literatura

Konstantinos Koutroumbas, Sergios Theodoridis (2008.), Pattern Recognition, Academic Press
(.), R.O. Duda, P. E. Hart, D.G. Stork, Pattern Classification,
(.), L. Gyrgyek, N. Pavešić, S. Ribarić, Uvod u raspoznavanje uzoraka,
(.), J.T. Tou, R.C. Gonzalez, Pattern Recognition Principles, Addison-Wesley,1977,

Izvedba

ID 183489
  Ljetni semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
0 Auditorne vježbe
0 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

89 izvrstan
74 vrlo dobar
61 dobar
50 dovoljan

Sličan predmet