Навигација

13Е054ПО - Препознавање облика

Спецификација предмета
НазивПрепознавање облика
Акроним13Е054ПО
Студијски програмЕлектротехника и рачунарство
Модул
Тип студијаосновне академске студије
Наставник (предавач)
Наставник/сарадник (вежбе)
Наставник/сарадник (ДОН)
Број ЕСПБ6.0Статус предметаизборни
Условљност другим предметиманема
Циљеви изучавања предметаЦиљ предмета је да студенти овладају основним техникама статистичког препознавања облика: тестирање хипотеза, параметарска класификација, непараметарска класификација, кластеризација.
Исходи учења (стечена знања)Исход предмета су да студенти имају вештине да: генеришу или прикупе квалитетне обучавајуће скупове, да примене неку од одговарајућих техника за тестирање хипотеза, да испројеткују параметарске или непараметарске класификаторе, да испројектују систем за кластеризацију података.
Садржај предмета
Линк ка страници предметаhttps://automatika.etf.bg.ac.rs/sr/13e054po
Линк ка предавањимаhttps://teams.microsoft.com/l/team/19%3ADAf8gJWn34eHzHu51Y5Fw9g0bJL4l918CzzrrFfcLQ01%40thread.tacv2/conversations?groupId=fb07930a-c0ed-4993-9f46-3454334fa027&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
Садржај теоријске наставеПреглед случајних променљивих и случајних вектора; Најважнији резултати линеарне алгебре; Методе за тестирање хипотеза; Пројектовање параметарских класификатора; Пројектовање непараметарских класификатора; Редукција димензија података; Кластеризација; Преглед метода за класификацију облика на основу фази логике и неуралних мрежа.
Садржај практичне наставеУ току наставе студенти добијају три практична домаћа задатка, која треба самостално да реше на рачунару: 1. пројектовање Бајесовог класификатора и секвенцијалног теста; 2. Дизајн алгоритма за препознавање руком писаних цифара; 3. Пројектовање линеарног и квадратног класификатора; 4. Кластеризација генерисаних облика.
Литература
  1. Introduction to Statistical Pattern Recognition, Keinosuke Fukunaga, Prentice Hall, 1990.
  2. Скрипта из препознавања облика (електронска форма), Жељко Ђуровић, www.automatika.etf.bg.ac.yu
  3. Pattern recognition and machine learning, Christopher M. Bishop, Springer, 2006.
Број часова активне наставе недељно током семестра/триместра/године
ПредавањаВежбеДОНСтудијски и истраживачки радОстали часови
311
Методе извођења наставе3x15 часова предавања, 1x15 аудиторне вежбе и 1х15 практичне наставе рада на рачунару.
Оцена знања (максимални број поена 100)
Предиспитне обавезеПоенаЗавршни испитПоена
Активности у току предавања0Писмени испит70
Практична настава30Усмени испит0
Пројекти
Колоквијуми0
Семинари0