Reconhecimento de Padrões

Conhecimentos de Base Recomendados

Licenciatura em Engenharia Informática ou equivalente.

Métodos de Ensino

Aulas T: exposição detalhada com meios audiovisuais, dos conceitos, princípios e teorias fundamentais e resolução de exercícios práticos elementares que concretizem o interesse prático da matéria e exemplifiquem a sua aplicação a situações reais. Aulas TP em que se os alunos resolvem s exercícios de aplicação prática, que exijam a conjugação de conceitos teóricos distintos e promovam o raciocínio crítico. Na avaliação, abrangendo toda a matéria lecionada, pretende-se focar, de forma clara, tanto os conceitos teóricos de base como a capacidade para resolver problemas complexos.

Resultados de Aprendizagem

O Reconhecimento de Padrões (PR estuda a conceção, desenvolvimento e implementação de sistemas capazes de reconhecer padrões nos dados. Esta UC ministra os algoritmos que permitem explorar aplicações de RP, formalizando-as, com modelos analíticos de uso alargado nos mais diversos domínios. Conceitos básicos, modelos e ferramentas para a

compreensão e desenho de um SRP. Pela 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. Estudo da extração e seleção de características, modelos de classificação paramétricos e não paramétricos, redução da dimensionalidade e métodos de kernel; métricas de avaliação de classificadores. O aluno deverá compreender as fases de um SRP, escolher o classificador mais apropriado para a resolução de um problema, efetuar o seu estudo com base na análise dos resultados e retirar conhecimento dessa análise.

Estágio(s)

Não

Programa

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 kernel, Kernel PCA

8.Avaliação de Classificadores; Amostragem, matriz de confusão e probabilidade de erro; curvas ROC;Bootstrapping,Boosting    

Docente(s) responsável(eis)

Bernardete Martins Ribeiro

Métodos de Avaliação

Avaliação
Projecto: 40.0%
Exame: 60.0%

Bibliografia

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)