|
Lecturer(s)
|
-
Psutka Josef, Prof. Ing. CSc.
|
|
Course content
|
Introduction, problem solving algorithms, optimal and suboptimal search, Astar. Classification based on Bayes decision theory. Maximum-Likelihood estimation, EM algorithm. Linear discriminant function. SVM (Support Vector Machines) classifier. Neural and Bayesian networks. Context dependent classifiers, dynamic programming approach, Hidden Markov models. Learning with decision trees. Unsupervised learning and clustering (iterative optimization, hierarchical clustering). Gaussian mixtures, clustering with maximum likelihood. Feature extraction and selection methods. Principal and Independent Component Analysis. Conclusion.
|
|
Learning activities and teaching methods
|
Task-based study method, Individual study, Self-study of literature, Lecture
- Practical training (number of hours)
- 10 hours per semester
- Contact hours
- 39 hours per semester
- Individual project (40)
- 40 hours per semester
- Preparation for an examination (30-60)
- 60 hours per semester
- Presentation preparation (report) (1-10)
- 10 hours per semester
|
| prerequisite |
|---|
| Knowledge |
|---|
| disponovat základními znalostmi matematické analýzy, lineární algebry, teorie pravděpodobnosti a statistiky |
| Skills |
|---|
| aktivně využívat dříve získané znalosti z oblasti matematické analýzy, lineární algebry, matematické pravděpodobnosti a statistiky |
| pracovat v programovacím jazyku Matlab |
| Competences |
|---|
| N/A |
| N/A |
| N/A |
| N/A |
| learning outcomes |
|---|
| Knowledge |
|---|
| řešit problémy náležející do oblasti automatického řešení úloh |
| navrhnout jednoduchý klasifikátor založený na Bayesově teorii rozhodování, odhadnout parametry klasifikátoru metodou maximální věrohodnosti (EM algoritmus) |
| navrhnout a natrénovat klasifikátor s lineární diskriminační funkcí, SVM klasifikátor |
| navrhnout kontextově závislý klasifikátor - navrhnout a natrénovat klasifikátor s částečnou anebou žádnou informací učitele - metody shlukové analýzy |
| provést výběr informativních příznaků u metody shlukové analýzy |
| Skills |
|---|
| student dovede analyticky přemýšlet; student dovede používat poznatky získané dřívějším studiem v oblasti matematiky, výpočetní techniky a základů kybernetiky |
| Competences |
|---|
| N/A |
| N/A |
| N/A |
| teaching methods |
|---|
| Knowledge |
|---|
| Lecture |
| Task-based study method |
| Self-study of literature |
| Individual study |
| Seminar |
| Skills |
|---|
| Lecture |
| Seminar |
| Self-study of literature |
| Seminar classes |
| Competences |
|---|
| Lecture |
| Practicum |
| Textual studies |
| Self-study of literature |
| Students' portfolio |
| Individual study |
| assessment methods |
|---|
| Knowledge |
|---|
| Combined exam |
| Seminar work |
| odborné znalosti jsou hodnoceny formou kombinované zkoušky a zpracováním referátů seminárních prací |
| Skills |
|---|
| Combined exam |
| Seminar work |
| použitelnost odborných dovedností je posuzována během zkoušky a během obhajoby seminárních prací |
| Competences |
|---|
| Combined exam |
| Seminar work |
| obecné způsobilosti jsou s důrazem na praktičnost sledovány a postupně hodnoceny v průběhu obhajoby seminárních úloh a prováděné zkoušky |
|
Recommended literature
|
-
Bishop, C.M. Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
-
Duda, R.O., Hart, P.E., Stork, D.G. Pattern Classification. Wiley, 2000. ISBN 978-0-471-05669-0.
-
Kotek, Zdeněk, Mařík, Vladimír. Metody rozpoznávání a jejich aplikace. Academia, Praha, 1993. ISBN 80-200-0297-9.
-
Mařík V. a kol. Umělá inteligence 1. Academia, Praha, 1993. ISBN 80-200-0496-3.
-
Theodoridis, S., Kouroumbas, K. Pattern recognition. Elsevier, 2008. ISBN 978-1-597-49272-0.
|