Kod przedmiotu |
02 58 6114 00 |
Liczba punktów ECTS |
2 |
Nazwa przedmiotu w języku prowadzenia |
Metody reprezentacji i klasyfikacji danych |
Nazwa przedmiotu w języku polskim |
Metody reprezentacji i klasyfikacji danych |
Nazwa przedmiotu w języku angielskim |
Data representation and classification |
Język prowadzenia zajęć |
polski |
Poziom studiów |
studia drugiego stopnia |
Kierownik przedmiotu |
prof. dr hab. inż. Krzysztof Ślot |
Realizatorzy przedmiotu |
mgr inż. Izabela Perenc-Puchalska, prof. dr hab. inż. Krzysztof Ślot |
Formy zajęć i liczba godzin w semestrze |
|
Wykład |
Ćwiczenia |
Laboratorium |
Projekt |
Seminarium |
Inne |
Suma godzin w semestrze |
Godziny kontaktowe |
15 |
|
15 |
|
|
0 |
30 |
Czy e-learning |
Nie |
Nie |
Nie |
Nie |
Nie |
Nie |
|
Kryteria oceny (waga) |
0,50 |
|
0,50 |
|
|
0,00 |
|
|
Cel przedmiotu |
- Prezentacja metodyki rozpoznawania treści zawartej w danych
- Przedstawienie przeglądu aktualnych strategii dziedziny
|
Efekty kształcenia |
- Znajomość procedury analizy danych prowadzącej do identyfikacji zawartej w nich treści
- Znajomość podstawowych strategii strategie wyznaczania opisu analizowanych danych
- Znajomość głównych strategii klasyfikacji danych
- Umiejętność opracowania i wdrożenia w postaci programu algorytmów rozpoznawania
|
Metody weryfikacji efektów kształcenia |
Ocena stopnia zrozumienia podstawowych koncepcji i ocena umiejętności ich praktycznego wdrożenia
|
Wymagania wstępne |
Podstawowa umiejętność programowania w języku Python, podstawowa wiedza z algebry liniowej |
Treści kształcenia z podziałem na formy |
WYKŁAD
Wprowadzenie: rozpoznawanie = reprezentacja + klasyfikacja.
Reprezentacja informacji wejściowej w przestrzeniach cech ? selekcja cech (współczynniki Fishera) i ekstrakcja cech (PCA, LDA, MDS).Neliniowe przestrzeni cech.
Minimalnoodległośiowa i probabilistyczna klasyfikacja danych: (k-NN, algorytmy grupowania, GMM, Bayes)
Kklasyfikacja przez podział przestrzeni cech ? maszyny wektorów wspierających (SVM).
Zespoły klasyfikatorów. Drzewa decyzyjne i lasy decyzyjne. Boosting, Bagging, Stacking.
Programowanie dynamiczne i klasyfikacja sekwencji przez dopasowanie (DTW) oraz z wykorzystaniem modeli Markowa.
LABORATORIUM
Opracowanie i implementacja programowa algorytmów rozpoznawania (na przykład, twarzy, komend głosowych, gestów, znaków itp) z wykorzystaniem wybranych metod.
|
Literatura podstawowa |
- The Elements of Statistical Learning, https://web.stanford.edu/~hastie/Papers/ESLII.pdf
- Gavin Hackeling, Mastering Machine Learning with sckit-learn, PACKT OpenSource
|
Literatura uzupełniająca |
- Materiały pomocnicze on-line
|
Przeciętne obciążenie godzinowe studenta pracą własną |
30 |
Uwagi |
|
Aktualizacja |
2020-10-05 23:31:28 |