1. Anasayfa

Ders Notları

100% Complete (success)
Dikkat !!! Lütfen okuyunuz ...

Öğretim Üyesi (Üyeleri): Dr. Öğr. Üyesi Durmuş Özkan Şahin *

(*) Ders notu girebilmek için, bu alanda kendi isminiz yazıyor olmalı...

  • Bologna verilerinin girilmesi;
    ubys.omu.edu.tr adresinden,
    ÜBYS' de Öğretim Elemanları yetkisi seçilmeli... Öğretim elemanı danışmanlık işlemlerinden yapabilirsiniz...
Yıl: 2023, Dönem: Bahar
BM605, Örüntü Tanıma (mufredatId:6449, dersId: 13030, programId: 5108)
Ders Kitabı / Malzemesi / Önerilen Kaynaklar

1) Duda, R.O.Hart, P.E. and Stork, D.G. Pattern Classification. Wiley-Interscience. 2nd Edition. 2001. 2) TYETER D.R. The pattern recognition basis of artifical intelligence, California: IEEE Computer Society, 1998. 3) Bishop, C. M. Pattern Recognition and Machine Learning. Springer. 2007; 4) Marsland, S. Machine Learning: An Algorithmic Perspective. CRC Press. 2009. (Also uses Python.); 5) Theodoridis, S. and Koutroumbas, K. Pattern Recognition. Edition 4. Academic Press, 2008.

Dersin İçeriği

Örüntünün tanımı ve temel kavramlar. Pattern sınıfları. Özellik çıkartımı. Örüntü sınıflandırma teknikleri. İstatistiksel örüntü sınıflandırma. İstatistiksel karar verme kuramı. Makine öğrenmesine giriş. Makine öğrenmesi ile örüntü tanıma. Öğretmenli ve öğretmensiz öğrenme. Sınıflandırmada hata analiz yöntemleri. Güncel örüntü tanıma uygulamala örnekleri.

Dersin Amacı

Bu dersin odak noktası örüntü tanıma tekniklerinin teori ve uygulanmaları üzerinedir. Kapsanan konular arasında, makine ile örüntü sınıflandırılması, öznitelik çıkarma, nesne tanıma, denetimli ve denetimsiz örüntü tanıma konuları bulunmakta ve bu konulara genel bir bakış sunulmaktadır.

Haftalık Ders İçeriği

Hafta Teorik Uygulama Laboratuar Ders Notları
1 Biyomedikal işaret ve görüntülerin elde edilmesi, karakteristikleri
2 İstatistiksel karakteristik çıkarım yöntemleri (Momentler, güç, enformasyon, ilinti...)
3 Sayısal işaret işleme temelleri, örnekleme, nicemleme
4 Dönüşüm yöntemleri I: DFT, DCT, STFT, Hadamart dönüşümleri
5 Dönüşüm yöntemleri II: Dalgacık dönüşümü
6 Görüntü işleme temelleri, biçimsel ve istatistiksel özellik çıkarım yöntemleri
7 Gürültü giderim ve filtreleme yöntemleri
8 Boyut azaltma ve analiz yöntemleri: Doğrusal ve doğrusal olmayan dönüşüm yöntemleri (PCA, LDA, ICA, Isomap, Kernel-PCA, Kernel-LDA, Laplacian Eigenmaps, Diffusion Maps)
9 İşaret ve görüntülerin eğiticili öğrenme yöntemleriyle analizi I (Yapay Sinir Ağları I)
10 Vize Sınavı
11 İşaret ve görüntülerin eğiticili öğrenme yöntemleriyle analizi II (Yapay Sinir Ağları II)
12 İşaret ve görüntülerin eğiticili öğrenme yöntemleriyle analizi III (Yapay Sinir Ağları III)
13 İşaret ve görüntülerin eğiticili öğrenme yöntemleriyle analizi IV (kernel tabanlı yöntemler)
14 İşaret ve görüntülerin eğiticisiz öğrenme yöntemleriyle analizi I (uzaklık ölçütleri, k-means, FCM)
15 İşaret ve görüntülerin eğiticisiz öğrenme yöntemleriyle analizi II (EM, Mean Shift, Kernel yöntemler)
16 Final Sınavı