ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ

ΓΕΝΙΚΑ

ΕΞΑΜΗΝΟ ΦΟΙΤΗΣΗΣ: 1ο
ΚΑΤΕΥΘΥΝΣΗ: Μαθηματικά Επιστήμης Δεδομένων
ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ: 7

ΔΙΔΑΣΚΟΝΤΕΣ

Πέτρος Μαραγκός

ΠΡΟΑΠΑΙΤΟΥΜΕΝΕΣ ΓΝΩΣΕΙΣ

Ψηφιακή Επεξεργασία Σημάτων, Γραμμική Άλγεβρα και Εισαγωγικό μάθημα σε Πιθανότητες και Τυχαίες Μεταβλητές

ΣΤΟΧΟΣ

Εισαγωγή στην στατιστική αναγνώριση προτύπων με εφαρμογές σε αναγνώριση ήχων, οπτικών αντικειμένων, οπτικο-ακουστικών γεγονότων και άλλων χωρο-χρονικών αισθητηριακών ή συμβολικών δεδομένων.

ΜΕΘΟΔΟΣ ΕΞΕΤΑΣΗΣ

Γραπτή Εξέταση (+ ασκησεις εργαστηριακες και αναλυτικες)

ΠΕΡΙΕΧΟΜΕΝΑ

Bayesian θεωρία απόφασης και εκτίμησης. Κανόνας απόφασης του κοντινότερου γείτονα. Τεχνικές συγκέντρωσης (clustering) όπως k-means, και τεχνικές εκμάθησης χωρίς επίβλεψη. Δέντρα απόφασης. Μετασχηματισμοί και επιλογή χαρακτηριστικών στον χώρο προτύπων όπως ανάλυση σε πρωτεύουσες συνιστώσες (PCA), ανεξάρτητες συνιστώσες (ICA), κανονική συσχέτιση (CCA), διακριτική ανάλυση (LDA). Tεχνικές ταξινόμησης προτύπων με γραμμικές διακριτικές μηχανές τύπου Perceptron και Support Vector Machines. Κρυφά Μαρκοβιανά μοντέλα (HMMs), Μείγματα Γκαουσιανών (GMMs), αλγόριθμοι Expectation-Maximization και Viterbi. Δυναμικά Bayesian nets. Πιθανοτικά γραφικά μοντέλα. Τεχνικές Deep Learning. Εργαστηριακές ασκήσεις.

ΒΙΒΛΙΟΓΡΑΦΙΑ

• S. Theodoridis and K. Koutroumbas, Pattern Recognition, Elsevier – Acad.Press. Ελληνική μετάφραση: Σ. Θεοδωρίδης και Κ. Κουτρουμπάς, Αναγνώριση Προτύπων, Ιατρικές εκδόσεις Π.Χ. Πασχαλίδης, 2011.
• R. O. Duda, P.E. Hart and D.G. Stork, Pattern Classification, Wiley, 2001.
• C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.