Αναγνώριση Προτύπων Ι

Μέθοδοι αναγνώρισης προτύπων. Όρια στην ακρίβεια μέτρησης της αξιοπιστίας αναγνώρισης. Κατευθυνόμενη εκπαίδευση και αυτοεκπαίδευση. Συναρτήσεις απόστασης. Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα. Ο αλγόριθμος Κ-means. Γραμμικές και μη γραμμικές συναρτήσεις απόφασης. Ο αλγόριθμος Perceptron. Ταξινομητές Bayes και ταξινομητές Bayes ελαχίστου κόστους. Εκτίμηση της πυκνότητας πιθανότητας προτύπων: Μεγιστοποίηση εντροπίας, εκτιμητής Parzen, ορθοκανονικές συναρτήσεις, μέθοδοι των Robbins-Monro και KieferWolfowitz, LMS. Νευρωνικά δίκτυα. Εκπαίδευση διόρθωσης λάθους, Hebbian και ανταγωνιστική εκπαίδευση. Πολυεπίπεδο perceptron. Οπισθοδρομική διάδοση του σφάλματος. Δίκτυα ακτινικών συναρτήσεων. Μηχανή Hopfield.

Στόχοι Μαθήματος

 Ο εκπαιδευόμενος μετά την επιτυχή ολοκλήρωση του μαθήματος, αναμένεται να γνωρίζει:  

Προαπαιτούμενες Γνώσεις

1. Πιθανοθεωρία και Στατιστική 2. Matlab

Περιεχόμενα

Τα περιεχόμενα του μαθήματος Αναγνώριση Προτύπων Ι είναι: Μέθοδοι αναγνώρισης προτύπων  Δομικά συστήματα Στοχαστικά συστήματα Νευρωνικά δίκτυα στην ταξινόμηση προτύπων