Departamento de Informática e Estatística

Programas de Ensino
Visitante (Entrar)

Programa de Ensino 20111

Aprovado pelo Departamento em: 11-3-2011

  1. Identificação: Visualizar em PDF
    • Disciplina: INE5443 - Reconhecimento de Padrões
    • Carga horária: 72 horas-aula      Teóricas: 36      Práticas: 36
    • Período: Início da oferta da disciplina até a presente data
  2. Curso(s):
    • Ciências da Computação (208)
    • Engenharia, áreas Elétrica e Mecânica, habilitação Controle e Automação (220)
  3. Requisito(s):
    • Ciências da Computação (208)
      • INE5420 - Computação Gráfica
  4. 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.
  5. 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:
      1. Compreender a Teoria de padrões, sua representação e medidas de distância entre padrões
      2. Compreender e Implementar Técnicas simbólicas de manipulação de padrões e aprendizado de máquina,
      3. Compreender e Implementar Técnicas subsimbólicas e redes neurais para aprendizado e classificação de padrões
      4. Compreender e Implementar Técnicas estatísticas multivariadas e análise exploratória de dados
      5. 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.
  6. 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
  7. 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
  8. 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