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.