Το μάθημα καλύπτει τις πιο δημοφιλείς μεθόδους σε αναγνώριση προτύπων, όπως εφαρμόζονται στην πράξη σε διάφορα προβλήματα. Πιο λεπτομερώς, το μάθημα καλύπτει τα παρακάτω:

• Θεωρία αποφάσεων και ταξινόμηση κατά Bayes.
• Εκτίμηση μέγιστης πιθανοφάνειας και αλγόριθμο αναμενόμενης τιμής – μεγιστοποίησης.
• Ταξινόμηση με τον κανόνα του πλησιέστερου γείτονα.
• Δίκτυα Bayes.
• Γραμμικούς και μη γραμμικούς ταξινομητές.
• Νευρωνικά δίκτυα.
• Μηχανές διανυσματικής στήριξης.
• Δέντρα αποφάσεων.
• Μαρκοβιανές αλυσίδες και κρυφά Μαρκοβιανά μοντέλα.
• Συνδυασμό ταξινομητών.
• Επιλογή χαρακτηριστικών με διάφορες μεθόδους.
• Μετασχηματισμούς δεδομένων και μείωσης διάστασης διανύσματος χαρακτηριστικών.
• Βασικές έννοιες ομαδοποίησης δεδομένων.
• Βασικές μεθόδους ομαδοποίησης δεδομένων, συμπεριλαμβανομένων του αλγόριθμου των K-μέσων, όπως και ακολουθιακής και ιεραρχικής ομαδοποίησης.

Το μάθημα εισάγει τους φοιτητές στις βασικές έννοιες και αλγορίθμους της περιοχής της αναγνώρισης προτύπων, όπως αυτοί χρησιμοποιούνται σε μία σειρά από πρακτικά προβλήματα και εφαρμογές, όπως αναγνώριση φωνής και ηχητικών σημάτων, ανάλυση εικόνων και βίντεο, βιομετρικές εφαρμογές και βιοπληροφορική. Το μάθημα καλύπτει τους πιο γνωστούς αλγορίθμους ταξινόμησης δεδομένων, επιλογής και μετασχηματισμών χαρακτηριστικών, όπως και ομαδοποίησης δεδομένων. Το μάθημα παρέχει πληθώρα παραδειγμάτων που επιτρέπουν την εξοικείωση των φοιτητών με τους παραπάνω αλγορίθμους, όπως επίσης και πρακτικά υπολογιστικά εργαλεία σε Matlab, επιδεικνύοντας περαιτέρω τα παραπάνω.

Οι φοιτητές που έχουν ολοκληρώσει επιτυχώς το μάθημα θα έχουν αποκτήσει καλή κατανόηση και γνώσεις των κύριων ιδεών και αλγορίθμων στην περιοχή της αναγνώρισης προτύπων. Για παράδειγμα, θα είναι σε θέση να:

• Σχεδιάσουν και υλοποιήσουν συστήματα αναγνώρισης προτύπων για μία ευρεία ποικιλία εφαρμογών, όπως αναγνώριση και κατάτμηση εικόνων, αναγνώριση ήχων φωνής, κ.τ.λ.
• Εξάγουν και επιλέξουν κατάλληλα χαρακτηριστικά μειωμένης διάστασης από μία ευρεία ποικιλία δεδομένων, όπως φωνητικά, ηχητικά, εικόνες, και βίντεο.
• Εκτιμήσουν υπό συνθήκη παραμετρικές πιθανοτικές κατανομές χαρακτηριστικών δεδομένων με βάση επισημειωμένα δεδομένα, χρησιμοποιώντας τεχνικές όπως μέγιστη πιθανοφάνεια ή μέγιστη εκ των υστέρων πιθανοφάνεια, όπως και τον αλγόριθμο αναμενόμενης τιμής – μεγιστοποίησης σε περίπτωση μερικώς παρατηρήσιμων δεδομένων.
• Υλοποιήσουν, εκπαιδεύσουν, και αποτιμήσουν έναν αριθμό από ταξινομητές, για παράδειγμα Γκαουσιανά μοντέλα μίξης, νευρωνικά δίκτυα, μηχανές διανυσματικής στήριξης, δέντρα αποφάσεων και κρυφά Μαρκοβιανά μοντέλα.
• Εκτελέσουν ομαδοποίηση δεδομένων χωρίς επίβλεψη χρησιμοποιώντας διάφορες μεθόδους, όπως τον αλγόριθμο των Κ-μέσων, ακολουθιακή και ιεραρχική ομαδοποίηση.

• Θεωρία αποφάσεων και ταξινόμηση κατά Bayes, όπως και εφαρμογές αυτών για Γκαουσιανές υπό συνθήκη πιθανότητες κλάσεων: 2 εβδομάδες.
• Εκτίμηση μέγιστης πιθανοφάνειας και αλγόριθμος αναμενόμενης τιμής – μεγιστοποίησης: 1 εβδομάδα.
• Ταξινόμηση με τον κανόνα του πλησιέστερου γείτονα και δίκτυα Bayes: 0.5 εβδομάδα.
• Γραμμικοί ταξινομητές: 1 εβδομάδα.
• Νευρωνικά δίκτυα και δημοφιλείς αρχιτεκτονικές αυτών: 1.5 εβδομάδες.
• Επιπρόσθετοι μη γραμμικοί ταξινομητές (π.χ. δέντρα αποφάσεων, πολυωνυμικοί ταξινομητές, μηχανές διανυσματικής στήριξης με συναρτήσεις πυρήνα): 1 εβδομάδα.
• Μαρκοβιανές αλυσίδες και κρυφά Μαρκοβιανά μοντέλα: 1 εβδομάδα.
• Συνδυασμός ταξινομητών: 0.5 εβδομάδα.
• Επιλογή χαρακτηριστικών με διάφορες μεθόδους, μετασχηματισμοί δεδομένων και μείωση διάστασης διανύσματος χαρακτηριστικών: 1 εβδομάδα.
• Βασικές έννοιες ομαδοποίησης δεδομένων: 0.5 εβδομάδα.
• Βασικές μέθοδοι ομαδοποίησης δεδομένων, συμπεριλαμβανομένων του αλγόριθμου των K-μέσων, όπως και ακολουθιακής και ιεραρχικής ομαδοποίησης: 1.5 εβδομάδες.
• Υπολογιστικά εργαλεία για υλοποίηση των παραπάνω μεθόδων: 1.5 εβδομάδες.