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
  1. Prezentacja metodyki rozpoznawania treści zawartej w danych
  2. Przedstawienie przeglądu aktualnych strategii dziedziny
Efekty kształcenia
  1. Znajomość procedury analizy danych prowadzącej do identyfikacji zawartej w nich treści
  2. Znajomość podstawowych strategii strategie wyznaczania opisu analizowanych danych
  3. Znajomość głównych strategii klasyfikacji danych
  4. 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
  1. The Elements of Statistical Learning, https://web.stanford.edu/~hastie/Papers/ESLII.pdf
  2. Gavin Hackeling, Mastering Machine Learning with sckit-learn, PACKT OpenSource
Literatura uzupełniająca
  1. Materiały pomocnicze on-line
Przeciętne obciążenie godzinowe studenta pracą własną
30
Uwagi
Aktualizacja 2020-10-05 23:31:28