|
|
|||||||||||||||||
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 |