|
|
|||||||||||||||||
Opinto-opas 2012-2013
SGN-2500 Johdatus hahmontunnistukseen, 4 op
|
Vastuuhenkilö
Jussi Tohka, Ulla Ruotsalainen
Opetus
| Opetusmuoto | P1 | P2 | P3 | P4 | Kesä | Toteutuskerrat | Luentoajat ja -paikat |
|
|
|
|
|
|
|
|
Suoritusvaatimukset
Tentti ja minimissään 30% harjoituksista hyväksytysti suoritettuna. Hyväksytty tenttisuoritus edellyttää vähintään noin puolet tentin maksimipistemäärästä.
Osasuoritusten pitää liittyä samaan toteutuskertaan
Opetukseen ja oppimiseen liittyvät periaatteet ja lähtökohdat
-
Osaamistavoitteet
Opintojakson suorittettuaan opiskelija tuntee hahmontunnistusjärjestelmien perusrakenteen ja luokituksen tilastollisen perustan (Bayes-luokitin). Hän erottaa ohjatun ja ohjaamattoman oppimisen menetelmät luokittimen suunnittelussa ja osaa soveltaa joitakin oppimisalgoritmeja luokittimen ohjattuun suunnitteluun (mallipohjainen suurimman uskottavuuden estimointi, k-lähintä naapuria). Opiskelija tuntee myös k-means klusterointi-algoritmin.
Sisältö
| Sisältö | Ydinaines | Täydentävä tietämys | Erityistietämys |
| 1. | Hahmontunnistusjärjestelmän rakenne, ohjattu ja ohjaamaton luokitus | Hahmontunnistusjärjestelmän suunnittelun pääpiirteet | |
| 2. | Perusteet monimuuttujajakaumista, tiheysfunktio, Bayesin päätösteoria, Bayes luokitin. | Bayesin minimiriskiluokitin | |
| 3. | Parametriset (suurimman uskottavuuden estimaatti) ja epäparametriset menetelmät (Parzen-ikkunat ja k lähintä naapuria) tiheysfunktion määrittämiseksi ja luokittemen suunnitteluun opetusdatan perusteella. | ||
| 4. | Lineaariset luokittimet, Perceptron algoritmi | Pienimmän neliösumman menetelmä | |
| 5. | Hahmontunnistusjärjestelmien testaus, leave-one-out menetelmä | ||
| 6. | Ohjaamattoman oppimisen menetelmät hahmontunnistuksessa. K-means klusterointi | EM-algoritmi |
Opintojakson arvostelu
Tenttioikeus edellyttää, että 30% laskuharjoituksista on suoritettu. Tentin läpipääsyvaatimus on noin 1/2 tentin maksimipisteistä, harjoituksista voi saada lisäbonusta. Luentomonisteen asioiden hallinta ja harjoitusten osaaminen riittää hyvään arvosanaan.
Arvosteluasteikko:
Opintojaksolla käytetään numeerista arviointiasteikkoa (1-5)
Osasuoritukset:
Oppimateriaali
| Tyyppi | Nimi | Tekijä | ISBN | URL | Painos,saatavuus... | Tenttimateriaali | Kieli |
| Dummy | Kurssin kotisivu | Suomi | |||||
| Kirja | "Pattern Classification" | Duda RO, Hart PE, Stork DG | 2nd edition, Wiley, 2001 | Englanti | |||
| Opintomoniste | Johdatus hahmontunnistukseen | Jussi Tohka | Suomi |
Esitietovaatimukset
| Opintojakso | P/S | Selite |
| MAT-33311 Tilastomatematiikka 1 | Suositeltava | |
| SGN-1201 Signaalinkäsittelyn menetelmät | Suositeltava | |
| SGN-1251 Signaalinkäsittelyn sovellukset | Suositeltava |
Tietoa esitietovaatimuksista
Kurssi pohjautuu vahvasti todennäköisyyslaskentaan, joten on hyödyllistä tuntea todennäköisyyslaskennan peruskäsitteet. Todennäköisyyslaskennan peruskäsitteet - kurssin tarvitsemassa laajuudessa - käydään läpi kurssilla, joten periaatteessa kurssi on mahdollista suorittaa ilman tilastomatematiikan pohjatietoja. On kuitenkin erittäin suositeltavaa suorittaa tilastomatematiikan kurssi ennen tätä kurssia.
Esitietoketju (Vaatii kirjautumisen POPiin)
Vastaavuudet
| Opintojakso | Vastaa opintojaksoa | Selite |
|
|
|
|
|
|
|
|
|
|
|
Tarkempia tietoja toteutuskerroittain
| Toteutus | Kuvaus | Opetusmuodot | Toteutustapa |
| Kesäkurssi, opettajana Jari Niemi. Luennot (32h) ovat englanniksi, luentomoniste suomeksi. Harjoitukset (16h, valitse joko torstain tai perjantain ryhmä alla) ovat suomeksi. Harjoitusmateriaali kuitenkin englanniksi. Tenttikysymykset ovat suomeksi. Tarkemmat operationaaliset tiedot annetaan ensimmäisellä luennolla 1.7.2013 tai sähköpostilla (jari.a.niemi@tut.fi) pyydettäessä. On erittäin suositeltavaa, että jokainen osallistuu ensimmäiselle luennolle. Ellei se ole mahdollista, ota yhteyttä sähköpostilla (jari.a.niemi@tut.fi) kurssin alussa. |
Lähiopetus: 0 % Etäopetus: 0 % Itseopiskelu: 0 % |