Vista previa
Αναγνώριση Προτύπων και Μηχανική Μάθηση
(ΕΕ935) - Ευάγγελος Δερματάς
Descripción del Curso
Μέθοδοι αναγνώρισης προτύπων. Όρια στην ακρίβεια μέτρησης της αξιοπιστίας αναγνώρισης. Κατευθυνόμενη εκπαίδευση και αυτοεκπαίδευση.
Η αρχή του ελάχιστου μήκους περιγραφής συστήματος.
Συναρτήσεις απόστασης. Αναγνώριση χρονικά μεταβαλλόμενων προτύπων.
Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα.
Ο αλγόριθμος Κ-means. Γραμμικές και μη γραμμικές συναρτήσεις απόφασης.
Ο αλγόριθμος Perceptron.
Συναρτήσεις απόστασης για χρονικά μεταβαλλόμενα πρότυπα.
Δυναμικός προγραμματισμός.
Ταξινομητές Bayes και ταξινομητές Bayes ελαχίστου κόστους.
Εκτίμηση της πυκνότητας πιθανότηταςπροτύπων: Μεγιστοποίηση εντροπίας, εκτιμητής Parzen, ορθοκανονικές συναρτήσεις, μέθοδοι των Robbins-Monro και Kiefer-Wolfowitz, LMS.
Μοντέλο Markov και Κρυμμένο Μοντέλο Markov. Markov Random Fields.
Νευρωνικά δίκτυα. Εκπαίδευση διόρθωσης λάθους, Hebbian και ανταγωνιστική εκπαίδευση.
Πολυεπίπεδο perceptron. Οπισθοδρομική διάδοση του σφάλματος.
Δίκτυα ακτινικών συναρτήσεων. Μηχανή Hopfield. Nευρωνικά δίκτυα με ανατροφοδότηση.
Συντακτική αναγνώριση προτύπων. Προεπεξεργασία και επιλογή
παραμέτρων. Μετασχηματισμός Karhunen-Leone.
Creation Date
miércoles, 22 de febrero de 2017
-
There is no syllabus