Αναγνώριση Προτύπων

Εισαγωγή στην στατιστική αναγνώριση προτύπων με εφαρμογές σε αναγνώριση ήχων, οπτικών αντικειμένων, οπτικο-ακουστικών γεγονότων και άλλων χωρο-χρονικών αισθητηριακών ή συμβολικών δεδομένων. Bayesian θεωρία απόφασης και εκτίμησης. Κανόνες απόφασης του κοντινότερου γείτονα και μεθοδολογίες ελάττωσης του αριθμού των προτύπων εκμάθησης. Τεχνικές συγκέντρωσης (clustering), όπως K-means και διανυσματική κβαντοποίηση, και τεχνικές εκμάθησης χωρίς επίβλεψη. Δέντρα απόφασης. Μετασχηματισμοί και επιλογή χαρακτηριστικών στον χώρο προτύπων με έμφαση στην ανάλυση πρωτευουσών συνιστωσών (PCA), διακριτική ανάλυση (LDA), ή ανάλυση σε ανεξάρτητες συνιστώσες (ICA). Tεχνικές ταξινόμησης προτύπων που βασίζονται σε γραμμικές διακριτικές μηχανές τύπου Perceptron και Support Vector Machines. Μοντέλα μειγμάτων Γκαουσιανών (Gaussian Mixture Models) και κρυφά Μαρκοβιανά μοντέλα (Hidden Markov Models). Πιθανοτικά γραφικά μοντέλα. Νέες τάσεις σε δίκτυα αναγνώρισης και εκμάθησης. Εργαστηριακές ασκήσεις.