単位数: 2. 担当教員: 北村 喜文, 伊藤 彰則, 加藤 寧. 開講年度: 2024. 科目ナンバリング: TEI-ELE338J. 開講言語: 日本語 英語.
○
Google Classroomのクラスコードは工学部Webページにて確認すること。
学部シラバス・時間割(https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html)
１． 目的 コンピュータを用いたパターン認識について、理論と応用の両面から述べる。
２．概要
パターン認識の一般的枠組みについて述べた後、分類・認識の理論として古典的な統計的パターン認識の理論、さらに最近のニューラルネットワークやHidden Markov Modelの理論を、実例を示しながら説明する。
３．達成目標等
パターン認識の理論と、実際に適用する場合の問題点であるパラメータ数に比べデータ数が少ないという問題を解決する方法を理解し,実際の問題を解決できるパターン認識システム構築法を修得する。
講義の案内・資料配布はGoogle Classroom 上で行います。令和５年度はクラスコード tfg4xhd で参加してください。
The class code for Google Classroom can be found on the Web site of
the School of Engineering:
https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html (JP Only)
Purpose:
To understand pattern recognition by computer from theoretical background and application aspect.
Overview:
Theoretical background of pattern recognition, neural network and hidden Markov models, and other advanced pattern recognition systems
Goals
To understand relation between sample size and model parameter size, discrimination border and discrimination power, overfitting and other concepts of pattern recognition.
Participate the class via Google Classroom with class code tfg4xhd in 2023.
3セメスターの計算機学、数理統計学、4セメスターの情報数学、5セメスターのアルゴリズムとデータ構造、ディジタル信号処理、6セメスターの情報論理学、数理計画法、人工知能を履修することが望ましい。
Participants are supposed to complete the following classes: Fundamentals of computer, Statistics, Information mathematics, Algorithm and data structure, Digital signal processing, Information logic, Mathematical optimization and Artificial Intelligence.
1.パターン認識とは
2.線形識別関数
3.区分的線形識別関数
4.ニューラルネットワーク
5.パラメトリックな識別
6.識別器の設計
7.特徴の評価とベイズ誤り確率
8.特徴抽出
9.特徴量の変換(1) KL展開(PCA)
10.特徴量の変換(2) 線形判別分析(LDA)
11.部分空間法
12.混合ガウス分布とEMアルゴリズム
13.伸縮するパターンの認識(1) DPマッチング
14.伸縮するパターンの認識(2) 隠れマルコフモデル
15.パターン認識を用いたシステム
1. Basics of pattern recognition
2. Linear discriminant function
3. Piecewise linear discriminant function
4. Neural network
5. Parametric method
6. Design of classifier
7. Bayes' error probability
8. Feature extraction
9. Feature conversion: Principal Component Analysis
10. Feature conversion: Linear Discriminant Analysis
11. Subspace method
12. Gaussian mixture model and EM algorithm
13. DP matching
14. Hidden Markov model
15. Pattern recognition system
毎回の学習内容に対して予習と復習が必要である。理論だけでなく、実際にプログラムを書いて理解することが望ましい。
Students are required to prepare and review the class. Not only learning the theoretical background but also write programs for the deep understanding of the contents.
レポートおよびミニットペーパーによって評価する。
The evaluation is based on the reports and minute papers.