Skip to content

Fundamentals of Machine Learning and Recognition (ZSUR)

Credits: 6 ( Lectures: 3, Practical lessons: 2)
Semester: ZS
Ending: zp; zk
Guarantor: Psutka Josef V.
Lecturer: Psutka Josef V.
Practical lesson lecturer: Psutka Josef V.

Annotation

Course objectives:
This course gives a systematic account of the major topics in pattern recognition and machine learning. 

Requirements on student
Solution of machine learning and pattern recognition problems on PC. Understanding of basic principles of machine learning and pattern recognition methods. 

Content
Introduction to pattern recognition and machine learning systems. Syntactic and feature-based classifiers. Classifiers based on Bayes decision theory, discriminant function. Nearest and k-nearest neighbour classifier. Linear classifiers. Perceptron. Neural networks. Unsupervised learning - cluster analysis. Decision trees. Examples of pattern recognition systems. 

Syllabus

Úvod do strojového rozpoznávání předmětů a jevů, základy učících se systémů. Klasifikátory pro strukturálně a příznakově popsané předměty a jevy. Bayesovo kritérium, diskriminační funkce. Klasifikátor podle nejbližšího a k-nejbližšího souseda. Klasifikátor s lineární diskriminační funkcí. Perceptron. Úvod do neuronových sítí. Učení bez učitele - shluková analýza. Rozhodovací stromy. Příklady aplikací systémů automatického rozpoznávání předmětů a jevů. 



Requirements

Samostatné vyřešení zadané úlohy (PC). Porozumění základním principům strojového rozpoznávání obrazů a strojového učení. 



Literature