Rozsah v ZS: 2/0 Zk
Platnost: od 2007
Přednášející: Flusser J.
Prerekvizity: Základy teorie pravděpodobnosti a statistiky
Navazující předměty: -
Neslučitelnost: Nelze zapsat zároveň s ROZ2 v mgr studiu
Anotace
Předmět je zaměřen na metody rozpoznávání a rozhodování na základě dat které mají statistický charakter. Ukázky aplikací v ekonomii i jiných oblastech.
Osnova
- Úvod - co je rozpoznávání a rozhodování
- rozpoznávání statistické (příznakové) a strukturální (syntaktické)
- úvod do teorie příznakového rozpoznávání - klasifikátory s učením a bez učení
- jednoduché metrické klasifikátory - NN klasifikátor, k-NN klasifikátor, lineární klasifikátor
- Bayesův klasifikátor - základní princip, parametrický a neparametrický B.k., B.k. pro normálně rozdělené třídy, metody odhadu parametrů, podmínky linearity, speciální případy ve dvou dimenzích
- nemetrické klasifikátory, rozhodovací stromy
- klasifikace bez učení - shluková analýza v prostoru příznaků, iterační a hierarchické metody, kritéria separability shluků
- k-means iterační algoritmus a jeho modifikace
- aglomerativní hierarchické shlukování, metriky mezi shluky, stop podminky, odhady počtu shluků
- redukce dimenzionality příznakového prostoru, extrakce a selekce příznaků, kritéria separability, Mahalanobisova vzdálenost
- transformace podle hlavních komponent (PCT)
- optimální suboptimální metody pro výběr příznaků, sekvenční a plovoucí algoritmy
- rozhodování jako diskrétní optimalizační problém
- základní metody pro nepodmíněnou a podmíněnou diskrétní optimalizaci
Statistical pattern recognition and decision making methods
The course is devoted to the pattern recognition and decision-making methods which work with statistical data. Applications in economy and other areas are presented.
Outline
- Introduction - what is pattern recognition and decision making
- Statistical (feature-based) and structural (syntactic) pattern recognition
- Introduction to statistical pattern recognition - supervised and non-supervised classifiers
- Simple metric classifiers - NN classifier, k-NN classifier, linear classifier
- Bayesian classifier - the basic principle, parametric and non-parametric B.c., B.c. for normally distributed classes, parameter estimation, necessary conditions of linearity, special cases in two dimensions
- Non-metric classifiers, decision trees
- Non-supervised classifiers - cluster analysis in the feature space, iterative and hierarchical methods, criteria of cluster separability
- k-means iterative algorithm and its modifications
- Agglomerative hierarchical clustering, inter-cluster metrics, stop conditions, estimating the number of clusters
- Dimensionality reduction of the feature space, feature extraction and selection, class separability criteria, Mahalanobis distance
- Principal component transform
- Optimal and sub-optimal feature selection methods, sequential and floating search
- Decision making as a discrete optimization problem
- Basic methods for unconstrained and constrained discrete optimization
