Παρουσίαση/Προβολή

(17.420) -  Γεώργιος Αλεξανδρίδης

Περιγραφή Μαθήματος

Συστήματα αναγνώρισης προτύπων. Ταξινομητές Bayes: ταξινομητές πλησιέστερου γείτονα, Παραμετρική εκτίμηση πυκνότητας πιθανότητας (Maximum Likelihood, Maximum Aposteriori), μη παραμετρικές μέθοδοι εκτίμησης πιθανότητας (παράθυρα Parzen). Γραμμικά Μοντέλα Παλινδρόμησης (Regression). Γραμμικοί ταξινομητές: αλγόριθμος perceptron, ταξινομητές ελαχίστων τετραγώνων, ταξινομητές λογιστικής παλινδρόμησης, μηχανές διανυσματικής στήριξης (SVM). Μη γραμμικοί ταξινομητές: πολυστρωματικά νευρωνικά δίκτυα, backpropagation, τέχνασμα kernel και μηχανές διανυσματικής στήριξης (SVM). Γέννηση χαρακτηριστικών: σχήματα αναπαράστασης και περιγραφής μορφών, περιγράμματα, σχήματα αναπαράστασης και περιγραφής περιγράμματος, κώδικας αλύσου, πολύγωνα, υπογραφές, μετασχηματισμοί Fourier, σχήματα περιγραφής εσωτερικού περιοχής εικόνας, ροπές, υφή. Δυναμικά συστήματα οδηγούμενα από δεδομένα. Έλεγχος οδηγούμενος από δεδομένα. Απλοποίηση μοντέλων με μηχανική μάθηση. Εισαγωγή στις τεχνικές της βαθιάς μάθησης.

Ημερομηνία δημιουργίας

Τρίτη 21 Φεβρουαρίου 2023