Számítógépes látórendszerek - Ellenőrző kérdések: Detektálás, Osztályozás
Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?
Detektálás/lényegkiemelés
Bonyolultabb, érdekes képrészletek, objektumok azonosítása.
Nehézség
- Különböző nézőpont
- Transzformáció
Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?
Transzformációk
- Megvilágítás
- A kereszt-korreláció se az additív, se a multiplikatív megvilágítás változásra sem invariáns!
- Megoldás: Normalizáljuk a pixelértékeket!
- Vonjuk le az átlagos intenzitást
- És osszuk el őket a varianciájukkal
- Skála
- Nincs skálainvariancia!
- Template piramissal azért megoldható...
- Elforgatás
- Nincs elforgatás invariancia!
- Több, előre elforgatott template
Mit jelent a gépi tanulás?
Milyen típusai és tipikus feladatai vannak?
Mi az a bináris klasszifikációs probléma és hogyan terjeszthető ki nem bináris esetre?
Mit jelent a lineáris szétválaszthatóság?
Gépi tanulás
A mesterséges intelligencia egy fajtája. Explicit programozás nélkül old meg bizonyos feladatokat.
Típusai
- Felügyelt tanulás (Supervised Learning): A tanítást példák alapján csináljuk → Az algoritmus ismeri a tanító példákra adandó helyes válszt
- Felügyelet nélküli tanítás (Unsupervised Learning): Itt is vannak példák, de a helyes válasz nem ismert.
- Megerősítéses tanulás (Reinforcement Learning): A működés során döntések sorozatát kell meghozni, de visszajelzés csak a sorozat végén lehetséges. Pl.: Járművezetés, Sakk
Feladatok
- Osztályozás: Bináris/több állapotú címke eltalálása
- Regresszió: Folytonos érték megbecslése
Bináris osztályozás
Cél: Egy olyan becslő elkészítése, amely az adatvektorok alapján képes azok címkéit meghatározni.
- A becslő struktúrájáról mi döntünk
- A paramétereit tanulás segítségével határozzuk meg
Nem bináris eset
Építkezzünk bináris osztályozókból! Stratégiák:
- 1 vs. mindenki más típusú osztályozók
- 1 vs. 1 típusú osztályozók: szavazásos módszer
Ismertesse a kNN algoritmust!
K Nearest Neighbor – k legközelebbi szomszéd Az osztályozandó példához legközelebb eső k tanító adatot vesszük figyelembe Az ő címkéjük alapján dönt az algoritmus az adott problémáról.
Ismertesse a Bayes hálók működését!
- Irányított körmentes gráf
- Csomópontok: Változók (Valószínűségi)
- Élek: Változók közti ok-okzati kapcsolatok (Feltételes eloszlásfüggvény)
Működés
Új adat (bizonyíték) érkezik → A háló sűrűségfüggvényeit frissíteni kell! A csomópontok üzennek egymásnak (mindkét irányban): Belief Propagation
Ismertesse a percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
Ismertesse a Support Vector Machine (SVM) algoritmust!
Hogyan terjeszthető ki nemlineáris esetre?
Support vector
Azok a vektorok, amelyek távolsága az elválasztó hipersíktól pont a rés mértéke
- Mindig legalább kettő SV van – a sík két oldalán
- Miért? Mert különben a síkot arrébb lehet mozgatni, hogy mindkét vektortól ugyanolyan távolságra legyen → a rés növekedni fog.
Tanuló algoritmus
Az elválasztó hipersíkot nem a normálvektorával és az origótól vett távolsággal, hanem a support vektorok segítségével írja le. Maximális résű elválasztó síkot talál
Mi a klaszterezés, mire jó? Ismertessen klaszterező algoritmusokat! Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?
Mutassa be a főkomponens analízis (PCA) algoritmust!
Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!
2015-ben nem kell!
