Προπτυχιακό Μάθημα: Αναγνώριση Προτύπων
Κων/νος Δ. Μπλέκας, Επικ. Καθηγητής
Τμήμα Πληροφορικής
Πανεπιστήμιο Ιωαννίνων
E-mail: kblekas [at] cs.uoi.gr
Tel : +30-26510-98816 Fax : +30-26510-98890
Συγγράματα
- Αναγνώριση Προτύπων . Μ.-Γ. Στρίντζη. Αφοι Κυριακίδη, Θεσ/νικη 1999.
- Στατιστική Αναγνώριση Προτύπων .
Θ. Αλεξόπουλος και Α. Τζαμαριουδάκη. Σ.Ε.Μ.Φ. Ε.Μ.Π., 2005.
Περιγραγή μαθήματος
Η αναγνώριση προτύπων (pattern recognition) είναι ένα πεδίο έρευνας που μελετά
τον σχεδιασμό και την υλοποίηση μεθόδων και συστημάτων που αναγνωρίζουν πρότυπα
στα δεδομένα και αναλύουν την διαθέσιμη πληροφορία που προέρχεται από κάποιο
(φυσικό ή τεχνητό) φαινόμενο. Στόχος της ανάλυσης είναι η επίτευξη της αντίληψης
του φαινομένου ώστε να φτάσουμε στην ερμηνεία του και τελικά στην απόκτιση γνώσης.
Το πρόβλημα της αναγνώρισης προτύπων ανάγεται σε προβλήματα ομαδοποίησης
(clustering), ταξινόμησης (classification) και
παλινδρόμησης (regression) ενός συνόλου κατάλληλων
χαρακτηριστικών, χρησιμοποιώντας τεχνικές μάθησης
που βασίζονται στην στατιστική (Μπεϋζιανή ανάλυση), σε τεχνικές βελτιστοποίησης
μιας συνάρτησης κόστους και σε νευρωνικά δίκτυα.
Η αναγνώριση προτύπων συμπεριλαμβάνει επιπλέον τομείς όπως η εξαγωγή
χαρακτηριστικών (feature extraction), η εύρεση των σημαντικότερων χαρακτηριστικών ή
επιλογή χαρακτηριστικών (feature selection), και η εκτίμηση σφάλματος.
Σημαντικές τομείς εφαρμογών είναι η υπολογιστική όραση, η ανάλυση/κατάτμιση εικόνας,
η αναγνώριση χαρακτήρων, η ανάλυση φωνής, η αναγνώριση προσώπων,
η ομαδοποίηση/ταξινόμηση κειμένων από το Διαδίκτυο, η Ρομποτική, η Βιοπληροφορική, κλπ..
Ύλη του μαθήματος
- Μέθοδοι Ταξινόμησης με βάση τον κανόνα του κοντινότερου γείτονα
(Nearest neighbor)
- Ομαδοποίηση δεδομένων: Αλγόριθμος των Κ-μέσων (K-means),
Ιεραρχική ομαδοποίηση.
- Ταξινομητές που βασίζονται στην βελτιστοποίηση συνάρτησης κόστους.
Αλγόριθμος Perceptron, γραμμικό μοντέλο, Νευρωνικά Δίκτυα.
- Μηχανές Διανυσματικής Διάκρισης (Support Vector Machines).
- Ταξινόμηση κατά Bayes. Σφάλμα ταξινόμησης. Μορφές ταξινόμησης
με στατιστική προσέγγιση.
- Μέθοδοι εκτίμησης της συνάρτησης πυκνότητας πιθανότητας από
δειγματικό πληθυσμό.
- Εκτίμηση μεγίστης πιθανοφάνειας.
- Μικτά μοντέλα κατανομών.
- Μείωση Διάστασης. Εξαγωγή και Επιλογή χαρακτηριστικών
Επιπλέον Σημειώσεις
- Σημειώσεις για Μηχανές Διανυσματικής Στήριξης (Support Vector Machines):
Ασκήσεις για παράδοση
Υλικό για την Γλώσσα Matlab
Σημαντικές πηγές του Διαδικτύου
toolbox