(16 intermediate revisions by the same user not shown)
Riadok 29: Riadok 29:
 
;Cvičenia
 
;Cvičenia
  
* 1. cvičenie - Príznaky - [http://www.sccg.sk/~haladova/RO1.pdf prezentácia]
+
* 1. cvičenie - Príznaky - [http://www.sccg.sk/~kocur/edu/RO/cv01/cv01.pdf prezentácia]
 +
* 2. cvičenie - Štatistika I - [http://www.sccg.sk/~kocur/edu/RO/cv02/cv02.pdf prezentácia] [http://www.sccg.sk/~kocur/edu/RO/cv02/cv02-handout.pdf (nerozsekaná verzia)]
 +
* 3. cvičenie - Štatistika II - [http://www.sccg.sk/~kocur/edu/RO/cv03/cv03.pdf prezentácia] [http://www.sccg.sk/~kocur/edu/RO/cv03/cv03-handout.pdf (nerozsekaná verzia)]
 +
* 4. cvičenie - Informačno-teoretické miery - [http://www.sccg.sk/~kocur/edu/RO/cv04/cv04.pdf prezentácia]
 +
* 5. cvičenie - PCA, LDA - [http://www.sccg.sk/~kocur/edu/RO/cv05/cv05.pdf prezentácia] [http://www.sccg.sk/~kocur/edu/RO/cv05/cv05.zip súbory]
 +
* 6. cvičenie - Lineárny klasifikátor, SVM - [http://www.sccg.sk/~kocur/edu/RO/cv06/cv06.pdf prezentácia] [http://www.sccg.sk/~kocur/edu/RO/cv06/cv06.zip súbory] [[Médiá:RO_cv06_data.zip]]
 +
* 7. cvičenie - kNN - [http://www.sccg.sk/~kocur/edu/RO/cv07/cv07.pdf prezentácia]
 +
* 8. cvičenie - Naivný Bayesov klasifkátor, Validácia - [http://www.sccg.sk/~kocur/edu/RO/cv08/cv08.pdf prezentácia]
 +
* 9. cvičenie - Validácia, Rozhodovacie stromy - [http://www.sccg.sk/~kocur/edu/RO/cv09/cv09.pdf prezentácia]
 +
* 10. cvičenie - Neurónové siete - [http://www.sccg.sk/~kocur/edu/RO/cv10/cv10.pdf prezentácia] [http://sccg.sk/~kocur/edu/PV/cv09/NNs.pdf teória] [http://www.sccg.sk/~kocur/edu/PV/cv10/data.zip walk/run dataset]
 +
 
 +
Všetky prezentácie sú aj na mojom [https://github.com/kocurvik/edu/ githube]
 +
 
 +
 
 +
 
  
 
;Bodovanie cvičení
 
;Bodovanie cvičení
 +
 +
[https://docs.google.com/spreadsheets/d/1__7MTo89wx5vF7VcWWYqoBZ2-aH7OxTYwCNwrOkcJFA/edit?usp=sharing Bodovacia Tabuľka]
  
 
Dohromady je možné z cvičení získať 20 bodov. Pre pripustenie k skúške je nutné získať aspoň 20 bodov (50%).
 
Dohromady je možné z cvičení získať 20 bodov. Pre pripustenie k skúške je nutné získať aspoň 20 bodov (50%).
Riadok 37: Riadok 53:
 
10 bodov bude udelených v priebehu semestra za aktívnu účasť na cvičeniach. 5 bodov bude udelených za predbežný report k projektu, ktorý bude nutné odovzdať pár týždňov pred koncom semestra. 25 bodov bude udelených za prezentáciu a finálny report k projektu. Projekty budú prezentované na konci semestra.
 
10 bodov bude udelených v priebehu semestra za aktívnu účasť na cvičeniach. 5 bodov bude udelených za predbežný report k projektu, ktorý bude nutné odovzdať pár týždňov pred koncom semestra. 25 bodov bude udelených za prezentáciu a finálny report k projektu. Projekty budú prezentované na konci semestra.
  
 +
;Projekty
 +
 +
Projekt sa bude skladať zo 4 častí: výber databázy, výber/redukcia príznakov, klasifikácia dát a vyhodnotenie.
 +
 +
* Možné úlohy/databazy na [https://www.kaggle.com/datasets kaggle] alebo napr. [http://archive.ics.uci.edu/ml/index.php tu]. Rovnako môžete navrhnúť vlastné datasety, alebo úlohy do diplomiek/na iné predmety. V prípade, že nebudete generovať príznaky samostatne (napr. z obrázkov) tak je nutné aby mala databáza aspoň 10 príznakov a aspoň 500 objektov. Keďže ide o klasifikáciu, tak si rozmyslite čo budete v databáze klasifikovať. Databázy sa budú schvaľovať na '''cvičeni 12.3.2019'''.
 +
 +
* Bude sa očakávať, že použijete aspoň jednu metódu na výber (napr. dopredný, spätný) alebo redukciu (napr. PCA, ICA, LSA, LDA, CCA, PLS) príznakov. Ak to bude vhodné skúste použiť aj inú predúpravu príznakov.
 +
 +
* Na klasifikáciu vyskúšate aspoň 2 algoritmy. Napr. SVM, Lineárny klasifikátor, ANN, SOM, Stromy, Bayes, kNN atď. Klasifikáciu otestuje aj bez toho aby ste použili výber/redukciu príznakov.
 +
 +
* Výsledky klasifikácie vyhodnotíte. Nezabudnite na rozdelenie dát na train/val/test. Ako vyhodnotenie môžete uvádzať presnosť v percentách, ROC krivky, matice zámen. Porovnajte použité klasifikátory s aj bez výberu/redukcie príznakov.
 +
 +
V predbežnom reporte popíšete databázu, zhrniete vlastnosti príznakov, určíte váš cieľ čo na nej chcete klasifikovať a metódy ktoré chcete použiť. Report je potrebné poslať mailom do '''22.4.2019'''.
 +
 +
Vo finálnom reporte taktiež popíšte databázu, napíšete aké metódy ste použili, prečo ste ich použili a ako ste ich použili. Hlavná časť reportu bude spočívať vo vyhodnotení a porovnaní výsledkov jednotlivých postupov. Report bude taktiež v pdf a bude nutné ho poslať mailom do '''12.5.2019'''.
 +
 +
Prezentácia bude obsahovať rovnaké informácie ako report. Zhodnotíte v nej aj klady a zápory metód ideálne na konkrétnych príkladoch a neformálne závery (ako náročné boli rôzne postupy, kde boli úskalia atď.). Prezentácie sa budú preztentovať na cvičení '''14.5.2019'''.
 +
 +
Podmienky sú taktiež v minuloročnej [http://www.sccg.sk/~haladova/ROProjekty.pdf prezentácii].
  
 
<!--
 
<!--

Verzia zo dňa a času 15:31, 30. apríl 2019

Rozpoznávanie obrazcov 2-AIN-204


Toto je stránka k predmetu Rozpoznávanie obrazcov Informačný list predmetu >

Ľudia podieľajúci sa na výučbe

Prednášajúci
[Milan Ftáčnik]
Cvičiaci
[Viktor Kocur]


Kontakty

Oficiálna stránka kurzu
https://dai.fmph.uniba.sk/w/Course:Rozpoznavanie_obrazcov/sk


Organizácia výučby

Prednášky
Cvičenia

Všetky prezentácie sú aj na mojom githube



Bodovanie cvičení

Bodovacia Tabuľka

Dohromady je možné z cvičení získať 20 bodov. Pre pripustenie k skúške je nutné získať aspoň 20 bodov (50%).

10 bodov bude udelených v priebehu semestra za aktívnu účasť na cvičeniach. 5 bodov bude udelených za predbežný report k projektu, ktorý bude nutné odovzdať pár týždňov pred koncom semestra. 25 bodov bude udelených za prezentáciu a finálny report k projektu. Projekty budú prezentované na konci semestra.

Projekty

Projekt sa bude skladať zo 4 častí: výber databázy, výber/redukcia príznakov, klasifikácia dát a vyhodnotenie.

  • Možné úlohy/databazy na kaggle alebo napr. tu. Rovnako môžete navrhnúť vlastné datasety, alebo úlohy do diplomiek/na iné predmety. V prípade, že nebudete generovať príznaky samostatne (napr. z obrázkov) tak je nutné aby mala databáza aspoň 10 príznakov a aspoň 500 objektov. Keďže ide o klasifikáciu, tak si rozmyslite čo budete v databáze klasifikovať. Databázy sa budú schvaľovať na cvičeni 12.3.2019.
  • Bude sa očakávať, že použijete aspoň jednu metódu na výber (napr. dopredný, spätný) alebo redukciu (napr. PCA, ICA, LSA, LDA, CCA, PLS) príznakov. Ak to bude vhodné skúste použiť aj inú predúpravu príznakov.
  • Na klasifikáciu vyskúšate aspoň 2 algoritmy. Napr. SVM, Lineárny klasifikátor, ANN, SOM, Stromy, Bayes, kNN atď. Klasifikáciu otestuje aj bez toho aby ste použili výber/redukciu príznakov.
  • Výsledky klasifikácie vyhodnotíte. Nezabudnite na rozdelenie dát na train/val/test. Ako vyhodnotenie môžete uvádzať presnosť v percentách, ROC krivky, matice zámen. Porovnajte použité klasifikátory s aj bez výberu/redukcie príznakov.

V predbežnom reporte popíšete databázu, zhrniete vlastnosti príznakov, určíte váš cieľ čo na nej chcete klasifikovať a metódy ktoré chcete použiť. Report je potrebné poslať mailom do 22.4.2019.

Vo finálnom reporte taktiež popíšte databázu, napíšete aké metódy ste použili, prečo ste ich použili a ako ste ich použili. Hlavná časť reportu bude spočívať vo vyhodnotení a porovnaní výsledkov jednotlivých postupov. Report bude taktiež v pdf a bude nutné ho poslať mailom do 12.5.2019.

Prezentácia bude obsahovať rovnaké informácie ako report. Zhodnotíte v nej aj klady a zápory metód ideálne na konkrétnych príkladoch a neformálne závery (ako náročné boli rôzne postupy, kde boli úskalia atď.). Prezentácie sa budú preztentovať na cvičení 14.5.2019.

Podmienky sú taktiež v minuloročnej prezentácii.

Body