Kierunek-Zarządzanie i Ingyneria Produkcji
Transkrypt
Kierunek-Zarządzanie i Ingyneria Produkcji
Przedmiot: Metody rozpoznawania wzorców. Kod przedmiotu: /WI/N2/INF/ /KMSIiMS 1. Odpowiedzialny za kurs, jego miejsce zatrudnienia i e-mail: Przemysław Klęsk, Zakład Metod Sztucznej Inteligencji, Katedra Metod Sztucznej Inteligencji i Matematyki Stosowanej, [email protected] 2. Język wykładowy: polski 3. Liczba punktów: 3 4. Rodzaj studiów, kierunek, specjalność, kierunek dyplomowania: Studia niestacjonarne II stopnia, Informatyka, specjalność: Inteligentne aplikacje komputerowe 5. Status kursu: obowiązkowy dla specjalności 6. Informacja o formach zajęć: Sem II Pkt 3 Wykład G/sem F.z. 10 E Seminarium G/sem F.z. - - Zajęcia praktyczne Ćw/ćw.komp. Laboratorium G/sem F.z. G/sem F.z. - - 10 Z Projekt G/sem F.z. - - 7. Wymagane zaliczenie przedmiotów poprzedzających (wymagana wiedza): matematyka, rachunek prawdopodobieństwa, algorytmy i struktury danych, podstawy programowania, wstęp do sztucznej inteligencji 8. Treści kształcenia Wykłady: Matematyczne postawienie zadania pattern-recognition w sensie zadania klasyfikacji. Problemy praktyczne: klasyfikacja danych (medycznych, biologicznych, ekonomicznych), rozpoznawanie wzorców geometrycznych o skomplikowanych kształtach (np. szachownica, rozeta), rozpoznawanie wzorców przebiegających w czasie (ang. temporal pattern-recognition) np. rozpoznawanie pisma odręcznego, śledzenie/generowanie partytury muzycznej. Narzędzia matematyczne: naiwny klasyfikator Bayesa, perceptron Rosenblatta wraz z wersją nieliniową (przekształcenia jądrowe), Ukryte Modele Markova (ang. Hidden Markov Models) w tym algorytm Viterbi'ego. Ocena jakości rozponawania w poszczególnych problemach. Laboratoria: Implementacja bez użycia gotowych bibliotek w środowisku Matlab (lub wg indywidualnego wyboru w: Mathematica, Java, C++) narzędzi matematycznych przedstawionych na wykładach, tj.: naiwnego klasyfikatora Bayesa, perceptronu Rosenblatta w wersji liniowej i nieliniowej, algorytmów dla Ukrytych Modeli Markova w szczególności algorytmu Viterbi'ego. Wszystkie implementacje realizowane w oparciu o praktyczne przykłady i zbiory danych. Wizualizowanie wyników. 9. Efekty kształcenia Student rozróżnia w ramach zadania pattern-recognition różne jego odmiany i potrafi zastosować wybrane algorytmy do poszczególnych z nich. Student potrafi programować systemy rozpoznawania wzorców, wizualizować dane i wyniki, oceniać jakość rozpoznawania. 10. Literatura 1. J. Koronacki., J. Ćwik, Statystyczne systemy uczące się. WNT, Warszawa, 2005. 2. L. Rutkowski, Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005. 3. V. Cherkassky, F. Mulier, Learning from data, Wiley & Sons, 1998. 4. L. R. Rabiner, A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, IEEE, 1989.