ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ

Το μάθημα αυτό παρέχει μια εισαγωγή στις βασικές αρχές της στατιστικής αναγνώρισης προτύπων με παραδείγματα από διάφορους τομείς εφαρμογών. Θα παρουσιαστούν τεχνικές για την επεξεργασία πολυδιάστατων δεδομένων και αλγόριθμοι για ομαδοποίηση και ταξινόμηση δεδομένων. Θα δοθεί έμφαση στην εξαγωγή χαρακτηριστικών γνωρισμάτων, στους γραμμικούς ταξινομητές, εφαρμογές και μεθοδολογίες ομαδοποίησης και στην Bayesian θεωρία αποφάσεων.

Στόχοι Μαθήματος

-

Προαπαιτούμενες Γνώσεις

- -

Περιεχόμενα

Περίγραμμα: Εισαγωγή:  Εισαγωγή στην αναγνώριση προτύπων, εφαρμογές και μεθοδολογίες αναγνώρισης προτύπων. Στατιστική αναγνώριση προτύπων: Χαρακτηριστικό διάνυσμα, ταξινομητές,  συναρτήσεις απόφασης και περιοχές απόφασης. Απλοί ταξινομητές:   Γραμμικοί ταξινομητές, συναρτήσεις απόστασης, συναρτήσεις ομοιότητας, ταίριασμα με υποδείγματα. Ομαδοποίηση: Εφαρμογές και μεθοδολογίες ομαδοποίησης, ιεραρχική ομαδοποίηση, αλγόριθμος k-μέσων, εγκυρότητα ομάδων. Μέθοδοι Bayes: Εισαγωγή στην πιθανότητες και στατιστική, θεωρία απόφασης Bayes, μέθοδος μέγιστης πιθανότητας, μάθηση με εκπαίδευση και μάθηση χωρίς εκπαίδευση, εκτίμηση παραμέτρων με την μέθοδο Bayes.