Älykkäät järjestelmät

K-2004

Hahmontunnistus ja tilastollinen luokittelu

-         tilastollisen luokittelun periaatteet

-         piirrevektori, piirreavaruus, jakaumat, päätöspinta, diskriminanttifunktio, etäisyydet, opetus ja testaus

-         Bayesin päätösteoria

-         luokittelijan johtamisen periaate, normaalijakauman oletukseen perustuvat luokittelijat

-         jakauman estimointi: parametriset ja parametrittomat

-         MLE, kNN, Parzen

-         parametriset ja parametrittomat luokittelijat

-         lineaariset diskriminanttifunktiot tarkasti

-         lineaarisesti erottuvat luokat, gradienttihaku (perusversio, Perceptron), MSE, LMS

-         spesifisyys, sensitiivisyys, ennustearvot, ROC-käyrät

-         Bayesin verkot
 

Tunnistuspuut

-         periaate ja soveltaminen

-         puun suunnittelu entropiamenetelmällä, sääntöjen yksinkertaistaminen ja karsinta

-         kontingenssitaulukko, hypoteesin testaus

 

Neuroverkot:

-         neuronin ja neuroverkon rakenne, oppiminen ja toiminta

-         Perceptron: ominaisuuksien ymmärtäminen, XOR-ongelma, oppimisalgoritmi

-         monikerroksinen Perceptron; back-prop-algoritmia ei tarvitse osata johtaa

-         approksimointi- ja interpolointiverkot: ero, suunnittelu, oppimisalgoritmin johtaminen

-         LVQ, SOM: periaate, oppimisalgoritmit, tärkeimmät ominaisuudet

 

Geneettiset algoritmit:

-         satunnaisuutta sisältävä hakualgoritmi, periaate

-         yksilö, pariutuminen, geenimutaatio, luonnon valinta, tekijäin vaihdsnta, geneettinen kelpoisuus, monimuotoisuus: mitä etua näillä hakualgoritmissa?

 

Sumea logiikka:

-         sumeiden joukkojen periaate, jäsenyysfunktiot

-         unioni, leikkaus, implikaatio

-         sumean ohjausjärjestelmän lohkokaavio ja toiminta

-         säätimen suunnittelu ja käyttö