Statistické metody rozpoznávání a rozhodování (SROZ)

Rozsah v ZS: 2/0 Zk
Platnost: od 2007
Přednášející: Flusser J.
Prerekvizity: Základy teorie pravděpodobnosti a statistiky
Navazující předměty: -
Neslučitelnost: Nelze zapsat zároveň s ROZ2 v mgr studiu
Informace: rozvrh, zkoušky

  

Anotace

Předmět je zaměřen na metody rozpoznávání a rozhodování na základě dat které mají statistický charakter. Ukázky aplikací v ekonomii i jiných oblastech.

Předmět byl zaveden prof. Flusserem a zajišťován z UTIA v 2007-15. Od 2016 předán doc. Kukalovi, FJFI.   Prof. Flusser muze nadale zkouset predmet SROZ u statnich doktorskych zkousek.

 

Osnova

  • Úvod - co je rozpoznávání a rozhodování
  • rozpoznávání statistické (příznakové) a strukturální (syntaktické)
  • úvod do teorie příznakového rozpoznávání - klasifikátory s učením a bez učení
  • jednoduché metrické klasifikátory - NN klasifikátor, k-NN klasifikátor, lineární klasifikátor
  • Bayesův klasifikátor - základní princip, parametrický a neparametrický B.k., B.k. pro normálně rozdělené třídy, metody odhadu parametrů, podmínky linearity, speciální případy ve dvou dimenzích
  • nemetrické klasifikátory, rozhodovací stromy
  • klasifikace bez učení - shluková analýza v prostoru příznaků, iterační a hierarchické metody, kritéria separability shluků
  • k-means iterační algoritmus a jeho modifikace
  • aglomerativní hierarchické shlukování, metriky mezi shluky, stop podminky, odhady počtu shluků
  • redukce dimenzionality příznakového prostoru, extrakce a selekce příznaků, kritéria separability, Mahalanobisova vzdálenost
  • transformace podle hlavních komponent (PCT)
  • optimální suboptimální metody pro výběr příznaků, sekvenční a plovoucí algoritmy
  • rozhodování jako diskrétní optimalizační problém
  • základní metody pro nepodmíněnou a podmíněnou diskrétní optimalizaci



 

Statistical pattern recognition and decision making methods

The course is devoted to the pattern recognition and decision-making methods which work with statistical data. Applications in economy and other areas are presented.

Outline

  • Introduction - what is pattern recognition and decision making
  • Statistical (feature-based) and structural (syntactic) pattern recognition
  • Introduction to statistical pattern recognition - supervised and non-supervised classifiers
  • Simple metric classifiers - NN classifier, k-NN classifier, linear classifier
  • Bayesian classifier - the basic principle, parametric and non-parametric B.c., B.c. for normally distributed classes, parameter estimation, necessary conditions of linearity, special cases in two dimensions
  • Non-metric classifiers, decision trees
  • Non-supervised classifiers - cluster analysis in the feature space, iterative and hierarchical methods, criteria of cluster separability
  • k-means iterative algorithm and its modifications
  • Agglomerative hierarchical clustering, inter-cluster metrics, stop conditions, estimating the number of clusters
  • Dimensionality reduction of the feature space, feature extraction and selection, class separability criteria, Mahalanobis distance
  • Principal component transform
  • Optimal and sub-optimal feature selection methods, sequential and floating search
  • Decision making as a discrete optimization problem
  • Basic methods for unconstrained and constrained discrete optimization