Hoppa till huvudinnehållet

Inför kursval

Hur kan du få en dator att förstå din röst? Hur kan du få en dator att känna igen din handskrift? Hur detekterar du signalmönster som är begravda i brus? Hur kan en dator skilja mellan EKG inspelningar från friska och sjuka hjärtan? Kursen i Mönsterigenkänning ger dig teorin att svara på denna typ av frågor. I kursprojektet skapar du din egen Matlab-verktygslåda för mönsterigenkänning.

Kursomgångar saknas för tidigare och kommande terminer, samt för innevarande termin.
* Informationen tillhör Kursplan EQ2340 (HT 2015–)

Innehåll och lärandemål

Kursinnehåll

Kursen behandlar mönsterigenkänningens teoretiska grunder och ger en introduktion till praktiska tillämpningar, speciellt inom taligenkänning och bild- eller ljudklassificering.

Lärandemål

Deltagarna skall efter genomgången kurs kunna

* konstruera system och algoritmer för mönsterigenkänning (signalklassificering), med tonvikt på sekvenser av mönster, som hanteras med t.ex. hidden-Markov-modeller (HMM).

* analysera klassificeringsproblem på probabilistisk grund och beräkna teoretiska prestanda,

* konstruera och analysera metoder för automatisk träning av klassificeringssystem,

* tillämpa maximum-likelihood-skattning av parametrar i tämligen komplexa probabilistiska modeller, t.ex. sammanvägda täthetsfunktioner (mixture-modeller) och hidden-Markov-modeller,

* förstå principen i Bayesiansk parameter-skattning och tillämpa den i enklare probabilistiska modeller.

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet

För fristående kursstudent: 120 hp samt Engelska B eller motsvarande.

Rekommenderade förkunskaper

  • SF1901 Sannolikhetesteori och statistik, or equivalent.
  • EQ1220 Signalteori eller motsvarande är rekommenderad men ej nödvändig.

Utrustning

Ingen information tillagd

Kurslitteratur

Arne Leijon (20xx) Pattern Recognition. KTH. (senaste version). 

Se kurshemsidan för aktuell information.

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

A, B, C, D, E, FX, F

Examination

  • INL1 - Inlämningsuppgift, 2,5 hp, betygsskala: A, B, C, D, E, FX, F
  • TEN1 - Tentamen, 5,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s samordnare för funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Skriftlig tentamen samt obligatoriskt enskild uppgift (projektarbete) som innefattar implementering av klassificeringsverktyg i Matlab.

Övriga krav för slutbetyg

Tentamen 5p (betyg A-F). Obligatorisk enskild uppgift/ projektarbete 2.5p (A-F). Slutbetyg sammanvägs med vikten 25 för tentamen och 10 för projektarbetet.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Profile picture Saikat Chatterjee

Etiskt förhållningssätt

  • Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
  • Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
  • Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb EQ2340

Ges av

EES/Teknisk informationsvetenskap

Huvudområde

Elektroteknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Saikat Chatterjee

Övrig information

Ersatts av EQ2341.