We use cookies to analyze our traffic. If you continue to use our website, you consent to the use of our cookies.Ok I agree!

ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ

Μαθησιακά Αποτελέσματα:

Το μάθημα σκοπεύει να δώσει στους φοιτητές τα μαθηματικά θεμέλια της αναγνώρισης προτύπων (κυρίως της στατιστικής αναγνώρισης προτύπων, αλλά και στοιχείων από την αναγνώριση προτύπων με νευρωνικά δίκτυα και αναγνώρισης προτύπων βασιζόμενη σε δομές) και να τους εξοικειώσει με αλγορίθμους μάθησης, ταξινόμησης, περιγραφής και ομαδοποίησης δεδομένων. Τέλος σκοπεύει να αποκτήσουν οι φοιτητές τις βασικές γνώσεις χαρακτηριστικών εφαρμογών αναγνώρισης προτύπων όπως η αναγνώριση χαρακτήρων, φωνής, αντικειμένων από τις εικόνες τους και δραστηριοτήτων.




Γενικές Ικανότητες:

Οι ικανότητες που πρέπει να αποκτήσει ο πτυχιούχος και στις οποίες αποσκοπεί το μάθημα είναι:

  • Αυτόνομη εργασία.
  • Ομαδική εργασία.
  • Εργασία σε διεθνές περιβάλλον.
  • Εργασία σε διεπιστημονικό περιβάλλον.




Περιεχόμενο Μαθήματος:

  • Εισαγωγή στην Αναγνώριση Προτύπων – η έννοια της αναγνώρισης προτύπων.
  • Μέθοδοι αναγνώρισης προτύπων.
  • Ταξινομητές Bayes και ταξινομητές Bayes ελάχιστου κόστους.
  • Εκτίμηση της πυκνότητας πιθανότητας προτύπων: Μεγιστοποίηση εντροπίας, ορθοκανονικές συναρτήσεις , εκτιμητής Parzen.
  • Εκπαίδευση με επόπτη και αυτοεκπαίδευση.
  • Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα.
  • Ομαδοποίηση.
  • Συναρτήσεις απόστασης.
  • Ο αλγόριθμος Κ-means.
  • Γραμμικές και μη γραμμικές συναρτήσεις απόφασης.
  • Εκπαίδευση διόρθωσης λάθους.
  • Προεπεξεργασία και επιλογή παραμέτρων.
  • Συναρτήσεις σφάλματος.
  • Αναφορά στις μεθόδους βελτιστοποίησης: Line search, gradient, descent, Conjugate gradients, Newton, ο αλγόριθμος των Levenberg-Marquart.
  • Αναγνώριση προτύπων με δίκτυα εμπρόσθιας διάδοσης (MLP, RBF).
  • Αναγνώριση προτύπων με βάση τη δομή (structural pattern recognition) Αναγνώριση χρονικά μεταβαλλόμενων προτύπων.
  • Μοντέλο Markov και Κρυμμένο Μοντέλο Markov.
  • Εργαστήριο Μαθήματος: Στο εργαστήριο του μαθήματος οι φοιτητές θα χρησιμοποιήσουν εργαλεία όπως το WEKA και εργαλεία ανεπτυγμένα κυρίως σε Matlab, όπως το protools, το classification toolbox (που αποτελεί συνοδευτικό υλικό του βιβλίου των Duda R., Hart P., Stork D) και το netlab. Στα πλαίσια του εργαστηρίου θα εξεταστούν και πραγματικές εφαρμογές προβλημάτων αναγνώρισης προτύπων και προβλήματα τα οποία αποτελούν διεθνώς μέτρο σύγκρισης των διαφόρων αλγορίθμων, πέρα από απλές εφαρμογές στις 2 διαστάσεις οι οποίες είναι ιδιαίτερα χρήσιμες για εποπτικούς λόγους.