Programa de Ensino 20111
Aprovado pelo Departamento em: 11-3-2011
- Identificação:
- Disciplina: INE5443 - Reconhecimento de Padrões
- Carga horária: 72 horas-aula
Teóricas: 36
Práticas: 36
- Período:
Início da oferta da disciplina até a presente data
- Curso(s):
- Ciências da Computação (208)
- Engenharia, áreas Elétrica e Mecânica, habilitação Controle e Automação (220)
- Requisito(s):
- Ciências da Computação (208)
- INE5420 - Computação Gráfica
- Ementa:
- Considerações iniciais sobre padrões. Técnicas simbólicas. Técnicas sub simbólicas: redes neurais. Raciocínio baseado em caso - estendendo RP com um framework de inteligência artificial. Técnicas estatísticas. Geração de padrões: análise de sinais e imagens. Criação de aplicação de reconhecimento de padrões.
- Objetivo(s):
- Geral: Abordar aspectos teóricos gerais de padrões como formas de representação de conjuntos de dados e descrições de situações, tanto sob a forma de vetores de dados simbólicos como de sinais e imagens, suas formas de apresentação e representação, métodos e algoritmos para a sua geração, análise, classificação e aprendizado.
- Específicos:
- Compreender a Teoria de padrões, sua representação e medidas de distância entre padrões
- Compreender e Implementar Técnicas simbólicas de manipulação de padrões e aprendizado de máquina,
- Compreender e Implementar Técnicas subsimbólicas e redes neurais para aprendizado e classificação de padrões
- Compreender e Implementar Técnicas estatísticas multivariadas e análise exploratória de dados
- Compreender e Implementar Técnicas e modelos de geração de padrões, sinais e imagens e análise de imagens no domínio de valor, de espaço e de tempo.
- Conteúdo Programático:
- 1. Introdução [4 horas-aula]
- 1.1. O que são padrões ?
- 1.2. Como montamos um padrão ?
- 1.3. Sinais X Padrões, Exemplos Sinais e Aplicações.
- 1.4. Quais as atividades que realizamos com padrões ?
- 1.5. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour e outras.
- 1.6. Como trabalhamos com padrões usando medidas de distância simples.
- 1.7. Tesselação: Trangulação de Delaunay e o Diagrama de Voronoi
- 2. Técnicas Simbólicas [12 horas-aula]
- 2.1. Aplicando raciocínio simbólico a padrões: Inteligência Artificial aprendendo Dados
- 2.1.1. O que é aprendizado simbólico ?
- 2.1.2. Brevíssimo Histórico do Aprendizado em IA
- 2.1.3. Como ver o aprendizado em RP ?
- 2.2. Classificação dos Métodos de Aprendizado
- 2.2.1. Forma de apresentação dos padrões a serem aprendidos
- 2.2.2. Processo de aprendizado
- 2.2.3. Forma de avaliação do aprendizado
- 2.2.4. Requisitos para o Reconhecimento de Padrões
- 2.3. O Aprendizado de Máquina Baseado em Instâncias
- 2.4. IBL - Instance-Based Learning: Como Algoritmos Aprendem Simbolicamente
- 2.5. IBL2 e IBL3: Extensões do Modelo de AM
- 3. Técnicas Subsimbólicas: Redes Neurais [12 horas-aula]
- 3.1. Filosofia Geral da Aplicação do Raciocínio Subsimbólico a Padrões: Redes Neurais Aprendendo Dados, Classificadores e Agrupadores
- 3.2. O Simulador SNNS - Stutgarter Neural Network Simulator
- 3.3. Classificadores: Usando Aprendizado Supervisionado para Reconhecer Padrões
- 3.4. Desenvolvimento de Aplicações: Usando Aprendizado Supervisionado
- 3.5. Agrupadores: Usando Aprendizado Não Supervisionado para Organizar Padrões
- 3.5.1. O Modelo de Kohonen e Quantização de Vetores
- 3.5.2. O Modelo ART: Teoria da Ressonância Adaptativa
- 3.6. Explorando Dados Agrupados em Redes
- 4. Raciocínio Baseado em Casos - Estendendo RP com um Framework de IA (este capítulo poderá ter sua carga horária reduzida a critério do Professor caso seja necessário) [12 horas-aula]
- 4.1. Introdução
- 4.2. Representação de Casos
- 4.3. Recuperação de Casos e Similaridade
- 4.4. Laboratório #1 - CBR-Works/MyCBR
- 4.5. Reutilização e Adaptação de Casos
- 4.6. Laboratório #2 - CBR-Works/MyCBR
- 5. Técnicas Estatísticas [12 horas-aula]
- 5.1. Introdução às Técnicas Estatísticas Exploratórias: Estatística Multivariada
- 5.2. Análise de Discriminantes
- 5.2.1. Exercício de Análise de Discriminantes
- 5.3. Análise de Agrupamentos
- 5.3.1. Unificação ou Agrupamento em Árvore
- 5.3.2. Agrupamento por k-Médias
- 5.3.3. Exercício de Análise de Agrupamentos
- 5.4. Visão Geral das Demais Técnicas Multivariadas
- 6. Gerando Padrões: Análise de Sinais e Imagens [20 horas-aula]
- 6.1. Visão Geral de Análise de Sinais Digitais
- 6.2. O Pacote de Softwares Khoros
- 6.3. Classificação dos Métodos: Domínios de Valor, Espaço e Freqüência
- 6.4. Métodos no Domínio do Valor: Thresholding, Histogramas
- 6.5. Métodos no Domíno do Espaço 1: Detecção de Bordas
- 6.6. Métodos no Domínio do Espaço 2: Morfologia Matemática
- 6.7. Métodos no Domínio do Espaço 3: Segmentação
- Bibliografia Básica:
- Young: Handbook of Pattern Recoginition and Image Processing, Academic Press
- Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.
- David Rummelhart e James McLelland (1984) Parallel Distributed Processing: Neural Network Models and Applications, MIT Press, Cambridge, MA, Vols I e II.
- Kohonen, T. (1984), Self-Organization and Associative Memory, Berlin: Springer.
- David Marr: Vision - A Computational Investigation into the Human Representation and Processing ofVisual Information, W.H.Freeman & Co.,1982
- R. Gonzalez, R.Woods: Digital Image Processing, Addison Wesley, 1993
- John C. Russ: The Image Processing Handbook, CRC Press, 1995
- B.D.Ripley: Pattern Recognition and Neural Networks, Cambridge Univ. Press, 1996
- Haralick, Shapiro: Computer and Robot Vision, Volumes I & II
- Bibliografia Complementar:
- A bibliografia complementar é extensa e a principal fonte são sites de referência em RP na Internet. Compilamos os principais em: http://www.inf.ufsc.br/~patrec/bibliografia.html e http://www.inf.ufsc.br/~patrec/links.html