Μάθημα : Αναγνώριση Προτύπων

Ταξινόμηση βασισμένη στη θεωρία αποφάσεων του Bayes (βασικές αρχές, ταξινόμηση με κανονικές κατανομές, εκτίμηση πυκνότητας πιθανότητας: εκτίμηση μέγιστης πιθανοφάνειας, μέγιστης a posteriori πιθανότητας, μέγιστης εντροπίας). Μπεϋζιανά δίκτυα. Γραμμικοί ταξινομητές (γραμμικά perceptrons, αλγόριθμος LMS, γραμμικές μηχανές διανυσμάτων υποστήριξης). Μη γραμμικοί ταξινομητές (δέντρα απόφασης, πολυστρωματικά perceptrons, συναρτήσεις ακτινικής βάσης, μη γραμμικές μηχανές διανυσμάτων υποστήριξης). Ταξινόμηση αλληλεξαρτώμενων προτύπων (μοντέλα Μαρκοβιανών αλυσίδων, αλγόριθμος Viterbi, κρυμμένα Μαρκοβιανά μοντέλα). Εισαγωγή στην επιλογή και εξαγωγή χαρακτηριστικών (έλεγχος στατιστικών υποθέσεων, μέθοδοι αναζήτησης, ανάλυση κύριων συνιστωσών, γραμμική διακριτική ανάλυση κατά Fisher, ροπές, διακριτός μετασχηματισμός συνημιτόνου, κυματίδια). Εισαγωγή στην ομαδοποίηση (παραδείγματα αλγορίθμων ομαδοποίησης: σειριακοί αλγόριθμοι, αλγόριθμος isodata, αυτοοργανούμενοι χάρτες). Ταίριασμα προτύπων (ομοιότητα βασισμένη σε τεχνικές αναζήτησης βέλτιστου μονοπατιού. Αρχή βελτιστότητας του Bellman και δυναμικός προγραμματισμός, απόσταση Levenshtein).