Код: 318391

Назва:

Розпізнавання образів в аналізі даних

Анотація: В курсі наводяться математичні методи та моделі, що використовуються для розпізнавання образів, зокрема: метод центроїдів та найближчих сусідів, інші метричні методи, складність моделей та підготовка даних, метрики, оптимізація методу найближчих сусідів, метод головних компонент, лінійна регресія, лінійна класифікація, метод опорних векторів, ядерні методи з використанням ядер Мерсера, оцінювання та оптимізація моделей, дерева прийняття рішень, ансамблі алгоритмів, зміщення та дисперсія моделей, бустінг, баєсове правило прийняття рішень, наівний баєс, генеративні та дискримінативні моделі, добір ознак, сингулярний розклад, багатошаровий персептрон, алгоритм зворотнього поширення похибки, згорткові нейромережі, векторизація слів, рекурентні мережі, рекомендаційні системи, стандартні розподіли та суміші розподілів, ЕМ алгоритм, ядерно-згладжені оцінки густини, кластеризація, детекція аномалій, активне навчання, нелінійне зменшення розмірності, часткове начання.

Тип дисципліни: вибіркова

Рік навчання: 2

Семестр: 4 (весняний)

Кількість кредитів: 4

Форма контролю: залік

Викладач(і): доц., к.ф-м. н. Крюкова Г.В.

Результати навчання: Знати та розуміти закономірності, методи та підходи творчої та креативної діяльності, системного мислення у професійній сфері. Уміння застосовувати та демонструвати знання і розуміння для розв'язування задач, які характерні обраній спеціальності. Вміти чітко, послідовно та логічно висловлювати свої думки та переконання українською та/або однією з офіційних мов ЄС. Мати навики самостійної роботи, бути самокритичним, оцінювати величину ризиків, експериментів і результатів. Вміти використовувати раціональні методи та методики проведення наукових та прикладних досліджень.
Вміти системно читати літературу за фахом (у тому числі закордону), складати реферати, анотації, аналітичні огляди тощо. Формалізувати задачі, сформульовані мовою певної предметної галузі, здійснювати їх математичну постановку та обирати раціональний метод вирішення. Знати методи проведення досліджень та вміти аналізувати складність технічних систем, розуміти складність задач оптимізації цих систем та їх елементів, вдосконалювати методики їх проведення. Вміти розробляти нові та модифікувати існуючі математичні методи й інформаційні технології та застосовувати в реальних умовах. Мати здібності до пізнання і оцінки методів інноваційної діяльності та використовувати їх при розробці математичних методів і IТ- технологій. Вміти встановлювати зв'язок між процесами у професійній галузі та описувати його математично. Поєднувати методи математичного та комп'ютерного моделювання з неформальними процедурами експертного аналізу для пошуку оптимальних рішень. Вміти організувати збір, класифікацію та розміщення інформації. Вміти оцінити точність отриманих рішень. Вміти застосовувати сучасні IТ- технології при розробці програмних систем, включно проектування, кодування, тестування. Обгрунтовувати власний погляд на задачу та спосіб її розв'язання, спілкуватися з колегами з питань застосування апарату математичної логіки.
Застосовувати вивчені методи машинного навчання при вирішенні реальних практичних задач.

Спосіб навчання: дистанційно (аудиторний)

Необхідні обовязкові попередні й супутні модулі: математичні методи машинного навчання.

Зміст дисципліни: Метод центроїдів та найближчих сусідів, інші метричні методи. Складність моделей та підготовка даних. Метрики. Оптимізація методу найближчих сусідів. Метод головних компонент. Лінійна регресія. Лінійна класифікація. Метод опорних векторів. Ядерні методи з використанням ядер Мерсера. Оцінювання та оптимізація моделей. Дерева прийняття рішень. Ансамблі алгоритмів. Зміщення та дисперсія моделей. Бустінг. Баєсове правило прийняття рішень. Наівний баєс. Генеративні та дискримінативні моделі. Добір ознак. Сингулярний розклад. Багатошаровий персептрон. Алгоритм зворотнього поширення похибки. Згорткові нейромережі. Векторизація слів. Рекурентні мережі. Рекомендаційні системи. Стандартні розподіли та суміші розподілів. ЕМ алгоритм. Ядерно-згладжені оцінки густини. Кластеризація. Детекція аномалій. Активне навчання. Нелінійне зменшення розмірності. Часткове начання.


Рекомендована література: 1. Главач В., Шлезингер М.И. Десять лекций по статистическому и структурному распознаванию образов. К.: Наукова думка, 2004. www.irtc.org.ua/image/Files/Schles/esh10_full.pdf.

2. Клюшин Дмитро Анатолійович. Лекції та матеріали до курсу "Статистичні моделі в розпізнаванні образів" (1 маг., КПІ) http://om.univ.kiev.ua/ua/user-15/AppPattern http://om.univ.kiev.ua/users_upload/15/upload/file/pr_lecture_01.pdf

3. Bishop CM. Pattern Recognition and Machine Learning. Springer. 2006


Форми та методи навчання: лекції, практичні заняття, виконання індивідуальних завдань.

Методи й критерії оцінювання: рейтингова система оцінювання за 100-бальною шкалою: - робота в семестрі (контрольні роботи, індивідуальні завдання) - 70%; - залік - 30%.

Мова навчання: українська