| Условљеност другим предметима |
Облик условљености |
| |
Према правилима студирања |
| Циљеви изучавања предмета: |
| Упознавање са основним појмовима из области препознавања узорака. Упознавање са савременим методама за препознавање узорака. |
| Исходи учења (стечена знања): |
| Познавање принципа савремених поступака за препознавање узорака. Способност разумијевања и примјене принципа и метода које се користе у препознавању облика. Искуство у тимском раду. |
| Садржај предмета: |
| Увод у препознавање узорака, концепти, обиљежја, атрибути. Класификација, кластеризација, нумеричка предикција. Статистички класификатор. Бејсов класификатор. Естимација расподјеле вјероватноће. Линеарне дискриминанте. Редукција димензионалности. Анализа главних компонената (PCA). Фишерова дискриминанта. Селекција обиљежја. Линеарни модели. Кернели. Методе најближих сусједа. Кластеризација. K-means алгоритам. Векторска квантизација. Гаусов mixture модел. Алгоритам очекивање-максимизација (Expectation-Maximization). Скривени Марковљеви модели. Неуронске мреже. Стабла одлучивања. Комбиновање више класификатора. Оцјена перформанси. Унакрсна валидација. |
| Методе наставе и савладавање градива: |
| Интерактивна предавања и вјежбе, учење на даљину, консултације |
| Литература: |
- R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification
- I. H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques
|
| Облици провјере знања и оцјењивање: |
| |
| Домаћи задаци |
40 |
Колоквијуми |
20 |
Завршни испит |
40 |
| Посебна назнака за предмет: |
| |
| Име и презиме наставника који је припремио податке: проф. др Зденка Бабић |
