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
15.1. Lectures - theoretical instruction 30 hours
15.2. Exercises (laboratory, auditory), seminars, teamwork 45 hours
16. Other forms of activities
16.1. Project assignments 15 часови
16.2. Independent assignments 15 часови
16.3. Home study 75 часови
17. Assessment method
17.1. Tests 10 бодови
17.2. Seminar paper / project (presentation: written and oral) 15 бодови
17.3. Activities and learning 10 бодови
17.4. Final exam 70 бодови
18. Grading criteria (points / grade)
up to 50 points5 (five) (F)
from 51 to 60 points6 (six) (E)
from 61 to 70 points7 (seven) (D)
from 71 to 80 points8 (eight) (C)
from 81 to 90 points9 (nine) (B)
from 91 to 100 points10 (ten) (A)
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
22.1. Required literature
1. R.O. Duda, P.E. Hart and D. Stork | Pattern Classification | John Wiley and Sons | 2001
2. Sergios Theodoridis, Konstantinos Koutroumbas | Pattern Recognition | Academic Press | 2006
22.2. Additional literature
No. Author Title Publisher Year