Ευφυής Ανάλυση Δεδομένων και Αναγνώριση Προτύπων

Tίτλος του μαθήματος

Ευφυής Ανάλυση Δεδομένων και Αναγνώριση Προτύπων

Κωδικός αριθμός μαθήματος

ELC 203

Τύπος του μαθήματος

Υποχρεωτικό

Επίπεδο του μαθήματος

Μεταπτυχιακό (ΜΔΕ)

Έτος σπουδών

1^o

Εξάμηνο

2^o

Πιστωτικές μονάδες ECTS

5

Όνομα του διδάσκοντος

Β. Αναστασόπουλος, Καθηγητής

Επιδιωκόμενα μαθησιακά αποτελέσματα του μαθήματος

Στο τέλος αυτού του μαθήματος ο φοιτητής θα

Γνωρίζει τις βασικές έννοιες στη θεωρία ταξινόμησης του Bayes και θα έχει άποψη για τα είδη πληθυσμών που μπορεί να κατηγοριοποιήσει σε ένα χώρο χαρακτηριστικών.
Γνωρίζει της κατηγορίες αποστάσεων που μπορεί θα χρησιμοποιήσει για να υπολογίσει ομοιότητες αντικειμένων, και σε ποιες περιπτώσεις χρησιμοποιεί κάθε μία.
Υπολογίζει τη συσχέτιση των χαρακτηριστικών με τα οποία κάνει αναγνώριση και να διακρίνει ποια χαρακτηριστικά είναι κατάλληλα και ποια όχι.
Γνωρίζει τις βασικές έννοιες στα τεχνητά δίκτυα νευρωνίων και να χρησιμοποιεί το MATLAB για να λύσει απλά προβλήματα διαχωρισμού πληθυσμών.
Γνωρίζει τις διαδικασίες εκτίμησης παραμέτρων κατανομών ή πληθυσμών.
Υπολογίζει την κατανομή παραγόμενων ποσοτήτων με βάσει τα στατιστικά στοιχεία των αρχικών δεδομένων.
Γνωρίζει τη βασική θεωρία ανίχνευσης σήματος σε θόρυβο.
Γνωρίζει απλές μεθόδους σύνθεσης δεδομένων, χαρακτηριστικών και αποφάσεων.
Γνωρίζει τις βασικότερες έννοιες στην Ασαφή Λογική.

Δεξιότητες

Στο τέλος αυτού του μαθήματος ο φοιτητής θα έχει περαιτέρω αναπτύξει τις ακόλουθες δεξιότητες

Να δημιουργεί κατηγορίες πληθυσμών με ειδικά χαρακτηριστικά.
Να δημιουργεί τυχαίους αριθμούς συγκεκριμένων στατιστικών κατανομών για να προσομοιώνει θόρυβο λευκό ή έγχρωμο.
Να εκτιμά τις τιμές στατιστικών παραμέτρων και τα όρια εμπιστοσύνης στην εκτίμηση αυτή.
Να λύνει απλά προβλήματα ταξινόμησης αντικειμένων με τεχνητά δίκτυα νευρωνίων.
Να υλοποιεί απλούς ανιχνευτές σταθερού ρυθμού εσφαλμένου συναγερμού (CFAR).

Προαπαιτήσεις

Στοιχειώδεις γνώσεις πιθανοτήτων και στατιστικής.

Περιεχόμενα (ύλη) του μαθήματος

1. Βασικές έννοιες στην κλασσική θεωρία ταξινόμισης (Bayes)
Ο λόγος πιθανοφάνειας σαν κριτήριο διαχωρισμού πληθυσμών. Εφαρμογή της θεωρίας σε κανονικές (Gaussian)στατιστικές συμπεριφορές πληθυσμών.

2. Απόσταση Mahalanobis. Διαχωρισμός του χώρου των χαρακτηριστικών ανάλογα με τα στατιστικά στοιχεία των πληθυσμών και τη συσχέτιση των χαρακτηριστικών.

3. Συσχέτιση χαρακτηριστικών πληθυσμού . Βαθμός συσχέτισης. Σπουδαιότητα χαρακτηριστικών. Διαστατικότητα ενός προβλήματος ταξινόμησης. Υποβιβασμός διαστατικότητας και σημαντικές διαστάσεις.

4. Τεχνητά Δίκτυα Νευρωνίων. Προβλήματα που μπορούν να λύσουν. Απλές δομές Νευρωνικών Δικτύων.

5. Εκτίμηση Παραμέτρων. Υπολογισμός κατανομής εξαρτημένων τυχαίων μεταβλητών.

6. Θεωρία ανίχνευσης σήματος. Βασικές έννοιες. Neyman-Pearson criterion. Ανιχνευτές σταθερού ρυθμού εσφαλμένου συναγερμού.

7. Σύνθεση πληροφορίας, σε απλά δεδομένα, σε χαρακτηριστικά και σε αποφάσεις .

8. Παραδείγματα σύνθεσης πληροφορίας σε τηλεπισκόπιση .

9. Ασαφής λογική στην Επεξεργασία Εικόνας

10. Εκμάθηση Πολλαπλότητας

Συνιστώμενη βιβλιογραφία προς μελέτη

R.O. Duda, P.E. Hart and D. G. Stork, “Pattern Classification”, Wiley, Second Edition, 2001.

H. L. Van Trees, “Detection, Estimation and Modulation Theory”, Wiley, 1971

Διδακτικές και μαθησιακές μέθοδοι

PowerPoint, Εργαστήριο με το MATLAB

Μέθοδοι αξιολόγησης/βαθμολόγησης

Projects 30%, Exams 70%

Γλώσσα διδασκαλίας

Ελληνικά. Mπορούν όμως να γίνουν οι παραδόσεις στην αγγλική γλώσσα στην περίπτωση που αλλοδαποί φοιτητές παρακολουθούν το πρόγραμμα.

Tίτλος του μαθήματος	Ευφυής Ανάλυση Δεδομένων και Αναγνώριση Προτύπων
Κωδικός αριθμός μαθήματος	ELC 203
Τύπος του μαθήματος	Υποχρεωτικό
Επίπεδο του μαθήματος	Μεταπτυχιακό (ΜΔΕ)
Έτος σπουδών	1^o
Εξάμηνο	2^o
Πιστωτικές μονάδες ECTS	5
Όνομα του διδάσκοντος	Β. Αναστασόπουλος, Καθηγητής
Επιδιωκόμενα μαθησιακά αποτελέσματα του μαθήματος	Στο τέλος αυτού του μαθήματος ο φοιτητής θα Γνωρίζει τις βασικές έννοιες στη θεωρία ταξινόμησης του Bayes και θα έχει άποψη για τα είδη πληθυσμών που μπορεί να κατηγοριοποιήσει σε ένα χώρο χαρακτηριστικών. Γνωρίζει της κατηγορίες αποστάσεων που μπορεί θα χρησιμοποιήσει για να υπολογίσει ομοιότητες αντικειμένων, και σε ποιες περιπτώσεις χρησιμοποιεί κάθε μία. Υπολογίζει τη συσχέτιση των χαρακτηριστικών με τα οποία κάνει αναγνώριση και να διακρίνει ποια χαρακτηριστικά είναι κατάλληλα και ποια όχι. Γνωρίζει τις βασικές έννοιες στα τεχνητά δίκτυα νευρωνίων και να χρησιμοποιεί το MATLAB για να λύσει απλά προβλήματα διαχωρισμού πληθυσμών. Γνωρίζει τις διαδικασίες εκτίμησης παραμέτρων κατανομών ή πληθυσμών. Υπολογίζει την κατανομή παραγόμενων ποσοτήτων με βάσει τα στατιστικά στοιχεία των αρχικών δεδομένων. Γνωρίζει τη βασική θεωρία ανίχνευσης σήματος σε θόρυβο. Γνωρίζει απλές μεθόδους σύνθεσης δεδομένων, χαρακτηριστικών και αποφάσεων. Γνωρίζει τις βασικότερες έννοιες στην Ασαφή Λογική.
Δεξιότητες	Στο τέλος αυτού του μαθήματος ο φοιτητής θα έχει περαιτέρω αναπτύξει τις ακόλουθες δεξιότητες Να δημιουργεί κατηγορίες πληθυσμών με ειδικά χαρακτηριστικά. Να δημιουργεί τυχαίους αριθμούς συγκεκριμένων στατιστικών κατανομών για να προσομοιώνει θόρυβο λευκό ή έγχρωμο. Να εκτιμά τις τιμές στατιστικών παραμέτρων και τα όρια εμπιστοσύνης στην εκτίμηση αυτή. Να λύνει απλά προβλήματα ταξινόμησης αντικειμένων με τεχνητά δίκτυα νευρωνίων. Να υλοποιεί απλούς ανιχνευτές σταθερού ρυθμού εσφαλμένου συναγερμού (CFAR).
Προαπαιτήσεις	Στοιχειώδεις γνώσεις πιθανοτήτων και στατιστικής.
Περιεχόμενα (ύλη) του μαθήματος	1. Βασικές έννοιες στην κλασσική θεωρία ταξινόμισης (Bayes) Ο λόγος πιθανοφάνειας σαν κριτήριο διαχωρισμού πληθυσμών. Εφαρμογή της θεωρίας σε κανονικές (Gaussian)στατιστικές συμπεριφορές πληθυσμών. 2. Απόσταση Mahalanobis. Διαχωρισμός του χώρου των χαρακτηριστικών ανάλογα με τα στατιστικά στοιχεία των πληθυσμών και τη συσχέτιση των χαρακτηριστικών. 3. Συσχέτιση χαρακτηριστικών πληθυσμού . Βαθμός συσχέτισης. Σπουδαιότητα χαρακτηριστικών. Διαστατικότητα ενός προβλήματος ταξινόμησης. Υποβιβασμός διαστατικότητας και σημαντικές διαστάσεις. 4. Τεχνητά Δίκτυα Νευρωνίων. Προβλήματα που μπορούν να λύσουν. Απλές δομές Νευρωνικών Δικτύων. 5. Εκτίμηση Παραμέτρων. Υπολογισμός κατανομής εξαρτημένων τυχαίων μεταβλητών. 6. Θεωρία ανίχνευσης σήματος. Βασικές έννοιες. Neyman-Pearson criterion. Ανιχνευτές σταθερού ρυθμού εσφαλμένου συναγερμού. 7. Σύνθεση πληροφορίας, σε απλά δεδομένα, σε χαρακτηριστικά και σε αποφάσεις . 8. Παραδείγματα σύνθεσης πληροφορίας σε τηλεπισκόπιση . 9. Ασαφής λογική στην Επεξεργασία Εικόνας 10. Εκμάθηση Πολλαπλότητας
Συνιστώμενη βιβλιογραφία προς μελέτη	R.O. Duda, P.E. Hart and D. G. Stork, “Pattern Classification”, Wiley, Second Edition, 2001. H. L. Van Trees, “Detection, Estimation and Modulation Theory”, Wiley, 1971
Διδακτικές και μαθησιακές μέθοδοι	PowerPoint, Εργαστήριο με το MATLAB
Μέθοδοι αξιολόγησης/βαθμολόγησης	Projects 30%, Exams 70%
Γλώσσα διδασκαλίας	Ελληνικά. Mπορούν όμως να γίνουν οι παραδόσεις στην αγγλική γλώσσα στην περίπτωση που αλλοδαποί φοιτητές παρακολουθούν το πρόγραμμα.