Μάθημα Κωδικός  Εξάμηνο Τύπος Ώρες Εργαστήριο /
Φροντιστήριο
ECTS Διδάσκοντες
Αναγνώριση Προτύπων ΗΥ670  ΣΤ Επιλογής  4
4
Αυλωνίτης Μ., Βλάμος Π.

Μαθησιακά Αποτελέσματα

Το μάθημα συνιστά μία εισαγωγή στον ορισμό των Προτύπων και τα χαρακτηριστικά τους, τους στόχους και τη σημασία της αναγνώρισης προτύπων, τη Διανυσματική περιγραφή των Προτύπων, την Εκπαίδευση με ή χωρίς επόπτη, την Ταξινόμηση και τους Ταξινομητές με Αρχιτεκτονικές Νεωρωνικών Δικτύων.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

  • γνωρίζει τους Βασικούς Γραμμικούς και μη Γραμμικούς Ταξινομητές για την αναγνώριση προτύπων, οι οποίοι βασίζονται σε αρχιτεκτονικές Τεχνητών Νευρωνικών Δικτύων.

  • περιγράφει σχηματικά και σε μορφή αλγορίθμου τη διαδικασία της εκπαίδευσης και της ανάκλησης των παραπάνω νευρωνικών δικτύων με τη χρήση ενός συνόλου προτύπων εκπαίδευσης και ανάκλησης.

  • εκτιμά τις δυνατότητες του κάθε δικτύου για επιτυχή αναγνώριση προτύπων, ανάλογα με τη γραμμική τους διαχωρισιμότητα.

  • διακρίνει τις διαφορές μεταξύ των διάφορων αρχιτεκτονικών νευρωνικών δικτύων, ανάλογα με τον τρόπο εκπαίδευσης (με επίβλεψη ή χωρίς επίβλεψη), τον τρόπο τροφοδότησης (πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος – πολυστρωματικό perceptron, αλγόριθμος backpropagation, αναδρομικά δίκτυα – δίκτυα Hopfield, Boltzmannmachines), και τα δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen).

  • διακρίνει τις διαφορές, τα πλεονεκτήματα και τα μειονεκτήματα μεταξύ των αρχιτεκτονικών νευρωνικών δικτύων που έχουν σχέση με τη μάθηση με επίβλεψη ( Perceptron, Adaline, MLP ).

  • εφαρμόζει τους αλγορίθμους εκπαίδευσης για την υλοποίηση εφαρμογών προσομοίωσης δύο διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων και τον έλεγχο της απόδοσης των αλγορίθμων με δύο διαφορετικά σύνολα προτύπων εκπαίδευσης και ανάκλησης.

Περιγραφή Μαθήματος

  • Μέθοδοι και συστήματα αναγνώρισης προτύπων.

  • Όρια στην ακρίβεια μέτρησης της αξιοπιστίας αναγνώρισης.

  • Κατευθυνόμενη εκπαίδευση και αυτοεκπαίδευση.

  • Συναρτήσεις απόστασης.

  • Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα κοντινότερα πρότυπα.

  • Γραμμικές και μη γραμμικές συναρτήσεις απόφασης.

  • Ο αλγόριθμος Perceptron.

  • Ταξινομητές Bayes και ταξινομητές πλησιέστερου γείτονα.

  • Παραμετρική και μη παραμετρική εκτίμηση της πυκνότητας πιθανότητας προτύπων: Μεγιστοποίηση εντροπίας, εκτιμητής Parzen, ορθοκανονικές συναρτήσεις, μέθοδοι των RobbinsMonro και KieferWolfowitz, LMS.

  • Μέθοδοι ελαχίστων τετραγώνων.

  • Πολυστρωματικά τεχνητά νευρωνικά δίκτυα.

  • Aναδρομικά τεχνητά νευρωνικά δίκτυα.

  • Εκπαίδευση διόρθωσης λάθους, Hebbian και ανταγωνιστική εκπαίδευση.

  • Πολυεπίπεδο perceptron.

  • Οπισθοδρομική διάδοση του σφάλματος.

  • Δίκτυα ακτινικών συναρτήσεων.

  • Μηχανή Hopfield.

  • Μάθηση με και χωρίς επιτήρηση.

  • Ιεραρχική ομαδοποίηση δεδομένων.

  • Ασαφής λογική.

  • Γενετικοί αλγόριθμοι και αρχές εξελικτικού υπολογισμού.

Υλικό μαθήματος

https://e-class.ionio.gr/courses/DCS195/

Προτεινόμενη Βιβλιογραφία

    1. “Αναγνώριση προτύπων”, ΣΤΡΙΝΤΖΗΣ Μ., Εκδόσεις Αδελφοί Κυριακίδη, ISBN 978-960-343-290-6, 2007

    2. “Ευφυής έλεγχος”, Κινγκ Ρ., Εκδόσεις ΤΖΙΟΛΑ, ISBN 978-960-418-041-7, 2004