Subject
Вовед во препознавање на облици
| 1. | Наслов на наставниот предмет |
Вовед во препознавање на облици Introduction to pattern recognition |
||||||||||||
| 2. | Код | F23L3W089 | ||||||||||||
| 3. | Студиска програма | — | ||||||||||||
| 4. | Организатор на студиската програма (единица, односно институт, катедра, оддел) | Faculty of Computer Science and Engineering | ||||||||||||
| 5. | Степен (прв, втор, трет циклус) | First Cycle | ||||||||||||
| 6. | Академска година / семестар | 7 / Зимски | ||||||||||||
| 7. | Број на ЕКТС кредити | 6 | ||||||||||||
| 8. | Наставник | Дејан Ѓорѓевиќ | ||||||||||||
| 9. | Предуслови за запишување на предметот | Вештачка интелигенција или Вовед во науката за податоци или Машинско учење | ||||||||||||
| 10. | Цели на предметната програма (компетенции) | 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. | Содржина на предметната програма | 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. | Методи на учење | предавања, аудиториски вежби, лабораториски вежби, проектни задачи, домашни задачи | ||||||||||||
| 13. | Вкупен расположив фонд на време | 6 ЕКТС x 30 часа = 180 часа | ||||||||||||
| 14. | Распределба на расположивото време | 30 + 45 + 15 + 15 + 75 = 180 часа | ||||||||||||
| 15. | Форми на наставните активности |
|
||||||||||||
| 16. | Други форми на активности |
|
||||||||||||
| 17. | Начин на оценување |
|
||||||||||||
| 18. | Критериуми за оценување (бодови/ оценка) |
|
||||||||||||
| 19. | Услов за потпис и полагање на завршен испит | Реализирани активности 15, 16 | ||||||||||||
| 20. | Јазик на кој се изведува наставата | македонски и англиски | ||||||||||||
| 21. | Метод на следење на квалитетот на наставата | интерна евалуација и анкети | ||||||||||||
| 22. | Literature |
|
