Παρουσίαση/Προβολή

Info for foreign students

The PATTERN RECOGNITION course is also taught in the English language in case foreign students from the ERASMUS exchange program are enrolled. More info on the course can be found here.

Περιεχόμενο μαθήματος

Η αναγνώριση προτύπων (Pattern Recognition) είναι ένα επιστημονικό πεδίο που στόχο έχει την ανάπτυξη αλγορίθμων για την αυτοματοποιημένη απόδοση κάποιας τιμής ή διακριτικού στοιχείου σε εισαγόμενα δεδομένα, συνήθως κωδικοποιημένα ως αλληλουχίες αριθμών. Σκοπό έχει την αυτόματη ταξινόμηση των δεδομένων σε κατηγορίες ή τον διαχωρισμό τους σε ομάδες με βάση κριτήρια, ακόμα και υπό την παρουσία θορύβου ο οποίος δυσκολεύει την αναγνώριση, ωθώντας συνήθως τα δεδομένα να μοιάζουν περισσότερο τυχαία απ' όσο πραγματικά είναι. Το παρόν μάθημα καλύπτει τους πιο γνωστούς αλγορίθμους ταξινόμησης δεδομένων, εξαγωγής, επιλογής και μετασχηματισμών χαρακτηριστικών, ομαδοποίησης δεδομένων, εκτίμησης λάθους, στατιστικής και συντακτικής αναγνώρισης προτύπων. Το μάθημα καλύπτει τις πιο δημοφιλείς μεθόδους αναγνώρισης προτύπων, όπως εφαρμόζονται στην πράξη σε διάφορα προβλήματα.

Μαθησιακοί στόχοι

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

Σε επίπεδο Γνώσεων:

1. Να γνωρίζουν την θεωρία αποφάσεων κατά Bayes
2. Να κατανοούν τις διαφορετικές συναρτήσεις διάκρισης και τις επιφάνειες απόφασης.
3. Να γνωρίζουν τον τρόπο με τον οποίο γίνεται η εκτίμηση άγνωστων συναρτήσεων πυκνότητας πιθανότητας.
4. Να γνωρίζουν τα μοντέλα μίξης
5. Να καντανοούν τους διαφορετικούς τύπους γραμμικών ταξινομητών
6. Να καντανοούν τους διαφορετικούς τύπους μη γραμμικών ταξινομητών
7. Να έχουν εξοικειωθεί με την επιλογή χαρακτηριστικών για την επίλυση προβλημάτων της περιοχής της αναγνώρισης προτύπων
8. Να γνωρίζουν τους διαφορετικούς αλγορίθμους μετασχηματισμού δεδομένων και μείωσης διαστατικότητας.
9. Να εξοικειωθούν με τα κρυφά μοντέλα Μarkov
10. Να γνωρίζουν τους διαφορετικούς αλγορίθμους ομαδοποίησης δεδομένων.

Σε επίπεδο Δεξιοτήτων

1. Να σχεδιάζουν ταξινομητές κατά Bayes.
2. Να υπολογίζουν και να εκτιμούν άγνωστες συναρτήσεις πυκνότητας πιθανότητας με την μέθοδο Maximum Likelihood και MAP
3. Να σχεδιάζουν και να εφαρμόζουν γραμμικούς ταξινομητές
4. Να σχεδιάζουν και να εφαρμόζουν μη γραμμικούς ταξινομητές
5. Να σχεδιάζουν και να εφαρμόζουν ταξινομητές σύγκρισης με πρότυπα αναφοράς
6. Να σχεδιάζουν και να εφαρμόζουν ταξινομητές εξαρτώμενους από τα συμφραζόμενα
7. Να σχεδιάζουν συστήματα επιλογής χαρακτηριστικών
8. Να σχεδιάζουν συστήματα μετασχηματισμού χαρακτηριστικών και μείωσης διαστατικότητας
9. Να σχεδιάζουν συστήματα ομαδοποίησης δεδομένων

Σε επίπεδο Ικανοτήτων

1. Να επιλέγουν τον κατάλληλο ταξινομητή για την επίλυση του προβλήματος αναγνώρισης προτύπων.
2. Να επιλέγουν τα κατάλληλα χαρακτηριστικά για την επίλυση του προβλήματος αναγνώρισης προτύπων.
3. Να επιλέγουν την κατάλληλη μέθοδο μείωσης διαστατικότητας χαρακτηριστικών
4. Να αξιολογούν και να συγκρίνουν την απόδοση διαφορετικών ταξινομητών
5. Να επιλέγουν τον κατάλληλο αλγόριθμο ομαδοποίησης δεδομένων.
6. Να εφαρμόζουν τεχνικές αναγνώρισης προτύπων σε προβλήματα της περιοχής της αναγνώρισης εικόνας, αναγνώρισης ομιλίας, μουσικής, βιοϊατρικών σημάτων κλπ

Βιβλιογραφία

1. Σ. Θεοδωρίδης, Κ. Κουτρούμπας, Αναγνώριση Προτύπων, Εκδόσεις Πασχαλίδης, BROKEN HILL PUBLISHERS LTD, 2011 (ΚΩΔ. ΕΥΔΟΞΟΥ 13256974)
2. Πρόσθετη Βιβλιογραφία
3. Theodoridis S., Pikrakis A., Koutroumbas K., Cavouras D., Εισαγωγή στην αναγνώριση προτύπων με MATLAB, Εκδόσεις Πασχαλίδης, BROKEN HILL PUBLISHERS LTD, 2011 (ΚΩΔ. ΕΥΔΟΞΟΥ 13256624)
4. Αλεξόπουλος Θ., Ταμαριουδάκη Α., Στατιστική Αναγνώριση Προτύπων, Εκδόσεις Κωσταράκη, 2017 (ΚΩΔ. ΕΥΔΟΞΟΥ 68406688).
5. Διαμαντάρας Κ., Τεχνητά Νευρωνικά Δίκτυα, Εκδόσεις Κλειδάριθμος ΕΠΕ, 2007 (ΚΩΔ. ΕΥΔΟΞΟΥ 13908).
6. Bishop C. M., Αναγνώριση Προτύπων και Μηχανική Μάθηση, Εκδόσεις Φουντας, 2019 (ΚΩΔ. ΕΥΔΟΞΟΥ 86053413)

Συναφή επιστημονικά περιοδικά

1. Pattern Recognition, Elsevier
2. Pattern Recognition Letters, Elsevier
3. Pattern Analysis and Applications, Springer
4. Neural Computing and Applications, Springer

Μέθοδοι διδασκαλίας

Μέθοδοι αξιολόγησης

Α. Αξιολόγηση Θεωρητικού Μέρους:

1. Γραπτή ή προφορική (ανάλογα την περίπτωση) τελική εξέταση διάρκειας 120 λεπτών που περιλαμβάνει:

• Επίλυση προβλημάτων
• Ερωτήσεις πολλαπλής επιλογής
• Ερωτήσεις σύντομης απάντησης
• Συγκριτική αξιολόγηση στοιχείων θεωρίας

Β. Αξιολόγηση Εργαστηριακού Μέρους:

1. Κατάθεση αναφορών (μία ανά εργαστηριακή άσκηση) από κάθε φοιτητή μέσω πλατφόρμας e-class

Γ. Αξιολόγηση Ομαδικής Εξαμηνιαίας Εργασίας:

1. Παρουσίαση προαιρετικής εξαμηνιαίας ερευνητικής εργασίας η οποία ανατιθεται σε ομάδες όχι μεγαλύτερες των 4 φοιτητών. Σε περίπτωση που συμμετάσχουν φοιτητές προγραμμάτων ανταλλαγής, η εξαμηνιαία εργασία μπορεί να πραγματοποιηθεί στην Αγγλική γλώσσα.

Παρατηρήσεις:

• Από την αξιολόγηση του φοιτητή στο εργαστηριακό μέρος του μαθήματος προκύπτει δυαδικός βαθμός ΕΠΙΤΥΧΗΣ/ΜΗ ΕΠΙΤΥΧΗΣ.
• Για να μπορέσει να συμμετάσχει στην αξιολόγηση του θεωρητικού μέρους του μαθήματος, ο φοιτητής θα πρέπει να έχει λάβει ΕΠΙΤΥΧΗ βαθμό στο εργαστηριακό μέρος του μαθήματος.
• Ο τελικός βαθμός του μαθήματος προκύπτει από την στάθμιση των βαθμών θεωρίας και της προαιρετικής εξαμηνιαίας εργασίας με συντελεστές βαρύτητας 70% και 30% αντίστοιχα.
• Σε περίπτωση που ο φοιτητής δεν έχει αναλάβει εξαμηνιαία εργασία, ο τελικός βαθμός του μαθήματος υπολογίζεται μόνο από τον βαθμό της αξιολόγησης του θεωρητικού μέρους.
• Η αξιολόγηση γίνεται στην ελληνική γλώσσα. Σε περίπτωση που συμμετέχουν φοιτητές μέσω προγραμμάτων ανταλλαγής, η αξιολόγηση πραγματοποιείται και στην Αγγλική γλώσσα.
• Η παρουσίαση των εξαμηνιαίων εργασιών μπορεί να γίνει και στην Αγγλική γλώσσα.

Προαπαιτούμενα

Προαπαιτούμενα μαθήματα δεν έχουν θεσμοθετηθεί.

Οι φοιτητές πρέπει όμως να έχουν καλή γνώση:

• Γραμμική Άλγεβρα
• Διαφορικές Εξισώσεις
• Πιθανοθεωρία και Στατιστική

Προτεινόμενα συγγράμματα

1. Σ. Θεοδωρίδης, Κ. Κουτρούμπας, Αναγνώριση Προτύπων, Εκδόσεις Πασχαλίδης, BROKEN HILL PUBLISHERS LTD, 2011 (ΚΩΔ. ΕΥΔΟΞΟΥ 13256974)
2. Theodoridis S., Pikrakis A., Koutroumbas K., Cavouras D., Εισαγωγή στην αναγνώριση προτύπων με MATLAB, Εκδόσεις Πασχαλίδης, BROKEN HILL PUBLISHERS LTD, 2011 (ΚΩΔ. ΕΥΔΟΞΟΥ 13256624)

Περισσότερα

Χρήσιμοι ιστότοποι

Αποθετήριο προγραμμάτων στο Github: https://github.com/SIPPRE/TEL830-Pattern-Recognition