Strojové učení a rozpoznávání

• 26 hod. přednášky
• 13 hod. cvičení
• 13 hod. projekty

• 60 bodů závěrečná zkouška (písemná část)
• 15 bodů půlsemestrální test (písemná část)
• 25 bodů projekty

Studenti se v rámci předmětu seznámí s problematikou strojového učení aplikovaného na problém klasifikace a rozpoznávání vzorů. Naučí se aplikovat základní algoritmy a modely v této oblasti na vybrané problémy zpracování mluvené řeči a počítačové grafiky. Porozumí rozdílům mezi jednotlivými metodami a dokáží využít výhod existujících klasifikátorů při řešení prakticky orientovaných projektů.
Studenti se seznámí s knihovnami jazyka python zaměřenými na matematické operace, lineární algebru a strojové učení. Zdokonalí se v praktickém užívání matematiky (teorie pravděpodobnosti, statistika, lineární algebra, ...) a programátorských nástrojů. Naučí se řešit týmové projekty.

Porozumět základům strojového učení se zaměřením na problém klasifikace a rozpoznávání vzorů. Naučit se aplikovat základní algoritmy a metody v této oblasti na problémy rozpoznávání mluvené řeči a obrazu. Pochopit základní principy různých generativních a diskriminativních modelů pro statistického rozpoznávání vzorů. Seznámit se se způsoby vyhodnocování úspěšnosti těchto metod..

V současné době jsme svědky velkého rozmachu aplikací využívajících strojové učení či automatické rozpoznávání vzorů. Množí se nám různá zařízení jež je možné ovládat hlasem čí gesty. Digitální foťáky samy detekují obličeje ve snímaném obraze, aby na ně automaticky zaostřily či nějak reagovaly. Virtuální asistenti v mobilních telefonech umí rozpoznat řeč a vyhledat relevantní odpovědi na naše dotazy. Kvalita automatického rozpoznávání identity člověka z hlasové nahrávky nebo fotky obličeje již dnes výrazně přesahuje lidské schopnosti.

V tomto předmětu studenti získají dobrou představu o tom jak tyto technologie fungují. Seznámí se se základním algoritmy a modely, které se z dat samy učí jak rozpoznávat netriviální vzory v audio nahrávkách, obrázcích či jiných signálech a vstupních datech.

• Signály a systémy (ISS)
• Základy počítačové grafiky (IZG)

Základní znalost běžného matematického formalismu.

• Bishop, C. M.: Pattern Recognition, Springer Science + Business Media, LLC, 2006, ISBN 0-387-31073-8.
• Hart, P. E., Stork, D. G.:Pattern Classification (2nd ed), John Wiley & Sons, 2000, ISBN: 978-0-471-05669-0.
• Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.

• https://www.fit.vutbr.cz/study/courses/SUR/public/

1. Úlohy klasifikace a rozpoznávání, základní schéma klasifikátoru, datové množiny a vyhodnocování úspěšnosti.
2. Pravděpodobnostní rozdělení, statistické rozpoznávání vzorů.
3. Generativní a diskriminativní modely.
4. Vícerozměrné gaussovo rozložení, odhad parametrů s maximální věrohodností.
5. Směs gaussovských rozložení (GMM), maximalizace očekávání  (EM).
6. Extrakce příznaků, Mel-frekvenční kepstrální koeficienty.
7. Aplikace pravděpodobnostních modelů ve zpracování řeči a obrazu.
8. Lineární klasifikátory, perceptron
9. Gaussovský lineární klasifikátor, logistická regrese
10. Support vector machines (SVM), jádrové (kernel) funkce
11. Neuronové sítě - dopředné, konvoluční a rekurentní
12. Skryté markovovy modely (HMM) a jejich aplikace na rozpoznávání řeči.
13. Prezentace projektů

Demonstrační cvičení (1h týdně) navazují na přednášku a demonstrují studentům přednášené techniky na datech a reálném kódu. Kód a data pro příklady budou k dispozici studentům.

• Individuálně zadávané projekty

• Půlsemestrální test - až 15 bodů
• Projekt - až 25 bodů
• Závěrečná písemná zkouška - až 60 bodů

Kontrolovaná výuka zahrnuje půlsemestrální test, individuální projekt a písemnou zkoušku. Půlsemestrální test nemá náhradní termín, závěrečná zkouška má dva možné náhradní termíny.