especificações de disciplinas - Departamento de Física da Universidade de Coimbra

O Reconhecimento de Padrões (PR) é uma disciplina que estuda a conceção, desenvolvimento e implementação de sistemas capazes de reconhecer padrões nos dados, sejam estáticos ou dinâmicos. Esta unidade curricular ministra os algoritmos que permitem explorar muitas das aplicações de RP, formalizando-as, com modelos analíticos de utilização alargada nos mais diversos domínios. Focaremos os conceitos básicos, modelos e ferramentas para a compreensão e desenho de um sistema de reconhecimento de padrões. Partindo da discussão envolvendo a natureza e dificuldades inerentes a um problema de classificação de padrões, abordaremos a discriminação de padrões, funções e regiões de decisão, separabilidade de classes e métricas. De seguida passaremos ao estudo da extração e seleção de características, continuando com o estudo dos modelos de classificação paramétricos e não paramétricos, redução da dimensionalidade e métodos de kernel e terminando com as métricas de avaliação de classificadores.

Programa genérico mínimo

1. Discriminação de padrões: funções e regiões de decisão; Métricas de separação de classes; Discriminantes Lineares (Euclidian e Mahalanobis) e de Fisher
2. Extração e Seleção de características; métodos de ranking; Kruskal Wallis. Pré-processamento (remoção de outliers, normalização, missing data)
3. Clustering: Agrupamento Hierárquico; Algoritmo das k-médias
4. Métodos Paramétricos: Seleção de Modelos, Modelos Lineares Generalizados, Modelos de Mistura, Classificação
de Bayes Supervisionada, Estimação de Parâmetros: Método da máxima verosimilhança; Estimação Bayes e Risco; Máximo A Posteriori (MAP); Divergência de Kullback-Leibler
5. Métodos não Paramétricos: Estimação da densidade: Método Parzen e Método k-vizinhos mais próximos
6. Redução Dimensionalidade; Principal Component Analysis (PCA); Métodos não lineares
7. Métodos de Kernel: Mercer k, Kernel PCA.
8. Avaliação de Classificadores; Amostragem, matriz de confusão e probabilidade de erro; curvas ROC; Bootstrapping, Boosting

Pré-requisitos

1. Álgebra Linear; 2. Estatística; 3. Programming Languages: C/C++, Python, Matlab, JAVA

Competências genéricas a atingir

. Competência em análise e síntese;
. Conhecimentos de informática relativos ao âmbito do estudo;
. Competência para resolver problemas;
. Capacidade de decisão;
. Competência em raciocínio crítico;
. Competência em comunicação oral e escrita;
. Adaptabilidade a novas situações;
. Criatividade;
. Competência em aplicar na prática os conhecimentos teóricos;
. Competência em investigar;
(por ordem decrescente de importância)

Horas lectivas semestrais

aulas teóricas	30
seminário	30
outras actividades	2
total horas lectivas	62

Método de avaliação

Projecto	40 %
Exame	60 %

concretização da avaliação em 20162017
Avaliação Relatório de seminário ou visita de estudo: 25.0%
Projecto: 35.0%
Exame: 40.0%

Bibliografia de referência

1. Bishop, C.M., ?Pattern Recognition and Machine Learning?, Springer Verlag, 2006
2. Duda, R. O., Hart, P.E., and Stork, D.G., ?Pattern Classification,? 2nd ed. Wiley Interscience (2001)
3. J.P. Marques de Sá, ?Pattern Recognition: Concepts, Methods and Applications?, 2001, XIX, 318 p., 197 illus., Springer-Verlag (2001)
4. M. N. Murty and V. S. Devi, ?Pattern Recognition: An Algorithmic Approach?, Springer, 1st Edition., XII, 263 p. (2011)

Método de ensino

Aulas teóricas com exposição detalhada, recorrendo a meios audiovisuais, dos conceitos, princípios e teorias fundamentais e com a resolução de exercícios práticos elementares que concretizem o interesse prático da matéria e exemplifiquem a sua aplicação a situações reais.
Aulas teórico-práticas em que se pretende que os alunos resolvam alguns exercícios de aplicação prática, que exijam a conjugação de conceitos teóricos distintos e promovam o raciocínio crítico face a problemas mais complexos.

Recursos específicos utilizados

print-version