Παρουσίαση/Προβολή

(TMA354) -  Ηλίας Θεοδωρακόπουλος

Περιγραφή Μαθήματος

 

Αναγνώριση Προτύπων

Εξάμηνο: 9ο

Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Δ.Π.Θ.

Εργαστήριο Ηλεκτρικών Κυκλωμάτων, Επεξεργασίας Σημάτων και Εικόνων 

 

ΔΙΔΑΣΚΩΝ: Δρ. Ηλίας Θεοδωρακόπουλος

Ώρα Μαθήματος: Τρίτη 16:00-19:00

Εργαστήριο: Τρίτη 19:00-20:00

Ώρες Γραφείου:  Δευτέρα 12:30-14:30

 

Περιεχόμενο μαθήματος
Το μάθημα "Αναγνώριση Προτύπων" εισάγει τους φοιτητές στις βασικές αρχές και μεθόδους για την ταξινόμηση, ομαδοποίηση και
ανάλυση δεδομένων. Καλύπτει ένα ευρύ φάσμα θεμάτων, όπως:

• Εκτίμηση κατά Bayes
• Εκτίμηση Παραμέτρων
• Μη-παραμετρικές Τεχνικές
• Γραμμικοί Ταξινομητές
• Μηχανές Διανυσματικής Στήριξης (SVMs)
• Ομαδοποίηση (Clustering)
• Τεχνικές Ελάττωσης Διαστάσεων
• Δενδρικοί ταξινομητές και Σύνολα ταξινομητών
• Νευρωνικά Δίκτυα
• Βαθιά Μάθηση

Οι φοιτητές θα μάθουν να εφαρμόζουν αυτές τις μεθόδους σε πραγματικά προβλήματα, χρησιμοποιώντας γλώσσες
προγραμματισμού όπως η Matlab και η Python.

 

Μέθοδοι αξιολόγησης
Η αξιολόγηση του μαθήματος βασίζεται σε ατομικές εργασίες με προφορική εξέταση (60% της τελικής βαθμολογίας) και σε μία τελική εξέταση πολλαπλής επιλογής (40%). Οι εργασίες καλύπτουν πρακτικές εφαρμογές των εννοιών και τεχνικών που παρουσιάζονται στις διαλέξεις.

 

Μαθησιακοί στόχοι

Με την ολοκλήρωση του μαθήματος "Αναγνώριση Προτύπων", οι φοιτητές και φοιτήτριες θα είναι σε θέση να:

• Κατανοούν τις βασικές αρχές της αναγνώρισης προτύπων και να εφαρμόζουν μεθοδολογίες για την ταξινόμηση αντικειμένων σε διάφορες κατηγορίες.
• Εφαρμόζουν τον εκτιμητή Bayes για την ταξινόμηση προτύπων και να επιλέγουν την βέλτιστη απόφαση με βάση το ελάχιστο κόστος ή την μέγιστη πιθανότητα.
• Εκτιμούν παραμέτρους κατανομών με χρήση δεδομένων εκπαίδευσης, τόσο με την μέθοδο Μέγιστης Πιθανοφάνειας όσο και με την Bayesian προσέγγιση.
• Χρησιμοποιούν μη-παραμετρικές τεχνικές όπως τα Παράθυρα Parzen και τον αλγόριθμο k-NN για την εκτίμηση πυκνοτήτων πιθανότητας.
• Εφαρμόζουν γραμμικούς ταξινομητές όπως η μέθοδος ελαχίστων τετραγώνων και ο αλγόριθμος Perceptron.
• Κατανοούν την λειτουργία των Μηχανών Διανυσματικής Στήριξης (SVMs) και να τις χρησιμοποιούν για την ταξινόμηση τόσο γραμμικά όσο και μη γραμμικά διαχωρίσιμων δεδομένων.
• Εφαρμόζουν αλγόριθμους ομαδοποίησης, όπως ο k-means και η ιεραρχική ομαδοποίηση, για την οργάνωση δεδομένων σε ομάδες.
• Χρησιμοποιούν τεχνικές γραμμικής και μη γραμμικής ελάττωσης διαστάσεων, όπως η Ανάλυση Κύριων Συνιστωσών (PCA) και η τεχνική Fisher.
• Χρησιμοποιούν τεχνικές εκπαίδευσης δεντρικών ταξινομητών και συνόλων ταξινομητών, όπως AdaBoost, Random forests κ. α.
• Σχεδιάζουν και εκπαιδεύουν Νευρωνικά Δίκτυα για την ταξινόμηση προτύπων, συμπεριλαμβανομένων και Βαθιών Νευρωνικών Δικτύων (Deep Learning).
• Εφαρμόζουν τεχνικές Βαθιάς Μάθησης για την αντιμετώπιση προβλημάτων εκμάθησης με επαρκή ή περιορισμένα δεδομένα.

Συνολικά, το μάθημα "Αναγνώριση Προτύπων" παρέχει στους φοιτητές ένα ευρύ φάσμα γνώσεων και δεξιοτήτων στον τομέα της Μηχανικής μάθησης, επιτρέποντάς τους να αναπτύξουν και να εφαρμόσουν σύγχρονες τεχνικές για την επίλυση προβλημάτων ταξινόμησης, ομαδοποίησης, και ελάττωσης διαστάσεων σε διάφορες εφαρμογές.

 

 

Το μάθημα εισάγει τον σπουδαστή στις βασικές μαθηματικές έννοιες, καθώς και σε αλγοριθμικές τεχνικές ταξινόμησης που είναι απαραίτητες σε μια πληθώρα εφαρμογών στην ευρύτερη περιοχή της επιστήμης του μηχανικού. Το μάθημα προσφέρει μια ολοκληρωμένη επισκόπηση σύγχρονων μεθόδων για τη μηχανική αναγνώριση προτύπων σε διάφορες εφαρμογές όπως ψηφιακή εικόνα, ανθρώπινος ήχος και λόγος, γραμματικά αρθρωμένες ακολουθίες, βιοϊατρική, βιοπληροφορική κ.α. Η κατανόηση της θεωρίας επιτυγχάνεται μέσα από τον συνδυασμό θεωρητικών και πρακτικών εργαστηριακών ασκήσεων.

Ημερομηνία δημιουργίας

Τρίτη 2 Μαρτίου 2010