|
|
|||||||||||||||||
Opinto-opas 2013-2014
SGN-13000 Johdatus hahmontunnistukseen ja koneoppimiseen, 5 op
|
Vastuuhenkilö
Ari Visa, Joni Kämäräinen, Jussi Tohka, Ireneusz Defee, 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 | Ydinsisältö | Täydentävä tietämys | Erityistietämys |
| 1. | Hahmontunnistusjärjestelmän rakenne, ohjattu ja ohjaamaton luokitus, Esimerkkejä hahmontunnistusjärjestelmistä | Hahmontunnistusjärjestelmän suunnittelun pääpiirteet | |
| 2. | Perusteet monimuuttujajakaumista, tiheysfunktio, Bayesin päätösteoria, Bayes luokitin. | Bayesin minimiriskiluokitin | |
| 3. | Ohjatun oppimisen parametriset ja epäparametriset menetelmät (Parzen-ikkunat ja k lähintä naapuria). | Suurimman uskottavuuden estimaatti | |
| 4. | Lineaarinen regressio ja luokittimet | ||
| 5. | Hahmontunnistusjärjestelmien testaus, ristiinvalidointi | ||
| 6. | Ohjaamattoman oppimisen menetelmät hahmontunnistuksessa. K-means klusterointi | EM-algoritmi |
Ohjeita opiskelijalle osaamisen tasojen saavuttamiseksi
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 |
| Kirja | "Pattern Classification" | Duda RO, Hart PE, Stork DG | 2nd edition, Wiley, 2001 | Ei | Englanti | ||
| Opintomoniste | Johdatus hahmontunnistukseen | Jussi Tohka | Kyllä | Suomi |
Esitietovaatimukset
| Opintojakso | P/S | Selite |
| SGN-11000 Signaalinkäsittelyn perusteet | Pakollinen |
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 |