Subject
Вовед во препознавање на облици
| 1. | Course Title |
Вовед во препознавање на облици Introduction to pattern recognition |
||||||||||||
| 2. | Code | F23L3W089 | ||||||||||||
| 3. | Study Programme | — | ||||||||||||
| 4. | Organizer of the study programme (unit, institute, department or division) | Faculty of Computer Science and Engineering | ||||||||||||
| 5. | Degree level (first, second, third cycle) | Прв циклус | ||||||||||||
| 6. | Academic year / semester | 7 / Зимски | ||||||||||||
| 7. | Number of ECTS credits | 6 | ||||||||||||
| 8. | Teacher | Дејан Ѓорѓевиќ | ||||||||||||
| 9. | Prerequisites for enrolling in the course | Вештачка интелигенција или Вовед во науката за податоци или Машинско учење | ||||||||||||
| 10. | Objectives of the course programme (competences) | Целта на курсот е студентите да ги научат главните концепти на методите и техниките кои се применуваат за препознавање на облици.По завршувањето на курсот кандидатитеќе бидат оспособени за дизајнирање, реализирање и имплементација на системи за автоматско препознавање на облици, проценка на нивните перформанси и нивна оптимизација. |
||||||||||||
| 11. | Course content | Предавања: 1. Вовед во проблематиката на препознавање на облици. 2. Машинска перцепција, компоненти на систем за препознавање на облици. 3. Класификатори базирани на Баесовата теорија на одлучување, Линеарни класификатори. 4. Видови на обележја, екстракција на обележја, селекција на обележја. 5. Машинско учење за препознавање на облици. Надгледувано, ненадгледувано учење, полунадгледувано учење учење, проценка на перформанси на калсификатор 6. Непараметарски методи за класификација, kNN класификатор, имплементација, kd дрва. 7. Неметрички методи за класификација, дрва за одлучување, обука, поткастрување. 8. Класификатори со големи маргини, кернел техники, Машини со носечки вектори. 9. Bias/Variance декомпозиција, ансамбли од класификатори, фузија на обележја 10. Невронски мрежи и длабоки архитектури за препознавање на облици 11. Ненадгледувано учење, кластерирање 12. Примена во реални системи за препознавање на облици и специфики Вежби: 1. Алатки за анализа на податоци и препознавање на облици 2. Библиотеки за анализа на податоци и препознавање на облици 3. Задачи - Баесов класификатор, линеарен класификатор, логистичка регресија 4. Задачи - екстракција на обележја, трансформација на обележја, селекција на обележја 5. Процедура за надгледувано учење и проценка и евалуација на перформанси и метрики 6. Задачи со kNN класификатор и kd дрва 7. Задачи со дрва на одлучување и екстракција на знаење 8. Задачи со машини со носечки вектори 9. Задачи анасмбли од класификатори и фузија на обележја 10. Задачи од невронски мрежи и дефинирање на архитектури на мрежи 11. Задачи од ненадгледувано учење 12. Имплементација на реални системи за препознавање на облици |
||||||||||||
| 12. | Learning methods | предавања, аудиториски вежби, лабораториски вежби, проектни задачи, домашни задачи | ||||||||||||
| 13. | Total available time | 6 ECTS x 30 hours = 180 hours | ||||||||||||
| 14. | Distribution of available time | 30 + 45 + 15 + 15 + 75 = 180 часа | ||||||||||||
| 15. | Forms of teaching activities |
|
||||||||||||
| 16. | Other forms of activities |
|
||||||||||||
| 17. | Assessment method |
|
||||||||||||
| 18. | Grading criteria (points / grade) |
|
||||||||||||
| 19. | Requirement for obtaining a signature and taking the final exam | Реализирани активности 15, 16 | ||||||||||||
| 20. | Language of instruction | Macedonian and English | ||||||||||||
| 21. | Method for monitoring the quality of teaching | интерна евалуација и анкети | ||||||||||||
| 22. | Literature |
|