 |
Твой путь к знаниям |
| Курсы | Обучение | Школа | Магазин | Общение | Новости | Помощь | |
|
|
|
|
|||||||
|
 |
поддержка курса
Математические методы распознавания образов
Автор: Л.М. Местецкий
Информация о курсе
Курс лекций сосредоточен, в основном, на математических аспектах методов распознавания. В лекциях изложены традиционные темы, относящиеся к математическому аспекту теории распознавания: предмет и математические задачи теории распознавания образов; классификаторы, основанные на байесовской теории решений; линейные классификаторы, оптимальная разделяющая гиперплоскость; нелинейные классификаторы, многослойный персептрон, комитетные методы, метод потенциальных функций, контекстно-зависимая классификация; методы классификации, основанные на вычислении оценок; классификация методом сравнения с эталоном; задача селекции признаков, включая меры отделимости классов и оптимальную селекцию признаков; генерация признаков на основе линейных преобразований, дискретного преобразования Фурье, преобразований Адамара и Хаара. Рассмотрена генерация признаков для анализа и распознавания изображений.
Цель
Целями курса являются изучение слушателями математических основ распознавания образов, расширение представлений о методологии построения систем искусственного интеллекта и приобретение навыков разработки вычислительных алгоритмов для решения задач распознавания. Записаться на обучение
1.
В данной лекции рассматривается постановка задачи распознавания образов. Приводятся основные определения, связанные с предметом изучения, а также практические примеры
2.
Данная лекция рассматривает классификацию на основе байесовской теории решений. Приведены основные теоремы, определения и примеры практической реализации байесовского метода
3.
Предметом данной лекции является рассмотрение линейного классификатора и алгоритма персептрона. Приведены основные определения и теоремы, а также практические примеры
4.
Материалами данной лекции рассматривается вопрос существования и единственности оптимальной разделяющей гиперплоскости. Приведены примеры её построения, а также основные теоремы и определения
5.
В этой лекции рассматриваются нелинейный классификатор и многослойный персептрон. Приведены основные теоремы и определения, а также примеры практической реализации
6.
В данной лекции основное внимание уделено методу потенциальных функций. Приводятся примеры его применения, а также основные теоремы и определения
7.
Теоретические и практические материалы данной лекции посвящены комитетным методам решения задач распознавания. Приведены основные определения, теоремы и примеры практической реализации
8.
Главным вопросом, которому посвящена данная лекция, является рассмотрение классификации на основе сравнения с эталоном. Приводятся примеры практической реализации, основные теоремы и определения
9.
В данной лекции основной акцент сделан на рассмотрение контекстно-независимой классификации. Приведены примеры практической реализации, основные теоремы и определения
10.
Материалы этой лекции посвящены задаче селекции признаков. Приведены примеры практической реализации данной задачи, основные теоремы и определения
11.
В данной лекции рассматриваются методы генерации признаков. Приведены практические примеры, основные определения и теоремы
12.
Материалы данной лекции включают в себя обучение по прецедентам (по Вапнику, Червоненкису), а также основные теоремы и определения, применимые для классификаторов
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||
|
|||
|
|||
|
Курсы |
Учебные программы |
Учебники |
Вопросы и Ответы |
Форум |
Новости |
Помощь
Телефон: +7 (499) 253-9312, 253-9313, факс: +7 (499) 253-9310, email: info@intuit.ru © INTUIT.ru::Интернет-Университет Информационных Технологий - дистанционное образование, 2003-2011 |
|
Проект Издательства "Открытые Системы". Партнеры: РМ Телеком, KRAFTWAY COMPUTERS. |
|
RSS