T-61.231 Hahmontunnistuksen perusteet

Peruskurssilla esitellään hahmontunnistuksen perusmenetelmiä ja niiden soveulluskohteita. Harjoitustyössä sovellettiin jotain menetelmää. Sisältöä:

• Tilastolliset menetelmät
  • Bayesiläinen luokittelusääntö
  • luokitteluvirheen tn:n minimointi
  • riskin odotusarvon minimointi
  • diskriminanttifunktio, päätöspinta
  • todennäköisyysjakaumien estimointi
    • suurimman uskottavuuden menetelmä, ML
    • suurimman a posteriori tn:n menetelmä, MAP
    • Bayesiläinen päättely
    • maksimientropiamenetelmä
    • mikstuurimallit
    • EM-algoritmi
    • epäparametriset menetelmät
      • Parzen-ikkunat
      • k:n lähimmän naapurin menetelmä
• Syntaktiset menetelmät
  • formaalit kielet
  • formaalin kieliopin oppiminen
  • jäsennys
  • Dynamic Time Warping -algoritmi, DTW
  • graafien vertailu
    • homo-, iso-, subisomorfismi
    • editointietäisyys
• Lineaariset luokittimet
  • diskriminanttifunktio
  • perseptoni-algoritmi
  • pocket-algoritmi
  • Kesslerin konstruktio
  • pienimmän neliön menetelmät
    • pienimmän neliösumman menetelmä
    • MSE-estimaatti
    • LMS- eli Widrow-Hoff algoritmi
  • Fisherin diskriminantti
• Epälineaariset luokittimet
  • tukivektorikone, SVM
  • yleistetty lineaarinen luokitin
  • Coverin teoreema
  • Polynomiluokitin
  • RBF-luokitin
• Neuroverkkomenetelmät
  • perseptroni
  • MLP-verkko
  • universaali approksimaattori
  • verkon opettaminen
    • Tiling-algoritmi
    • lähimmän naapurin menetelmä
    • Backpropagation-algoritmi
      • kustannusfunktioita
        • ennustusvirheen neliösumma
        • cross entropy
        • Kullback-Leibler -etäisyys
      • optimointimenetelmät
  • invarianttien piirteiden tunnistus
• Ohjaamaton oppiminen ja klusterointi
  • klustereiden määrittelytavat
    • luonnolliset klusterit
    • todennäköisyyksiin perustuvat klusterit
    • yksikäsitteinen klusterointi
    • sumea klusterointi
  • epäparametriset menetelmät
    • sequential clustering algorithms
      • BSAS
    • hierarkiset klusterointialgoritmit
      • jakavat: GDS
      • kasaavat: GAS, MUAS, GTAS, MST
  • parametriset menetelmät
    • funktion optimointiin perustuvat menetelmät
      • k-means (C-means, LBG, Isodata, Lloydi algoritmi)
    • funktion kilpailuun perustuvat menetelmät
      • oppiva vektorikvantisaatio, LVQ
      • itseorganisoituva kartta, SOM
    • mikstuurimallit
    • EM-algoritmi