PT | EN

MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL DE SANTA CATARINA

CENTRO TECNOLÓGICO

DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA

PROGRAMA DE ENSINO

1. Identificação

Disciplina:INE5443 - Reconhecimento de Padrões
Nível:Graduação
Carga Horária:72 horas-aula (Teórica: 36; Prática: 36)
Vigência:De 2011-1 até a presente data

2. 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.

3. Cursos Relacionados

4. Objetivos

4.1 Objetivo 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.

4.2 Objetivos 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.

5. Conteúdo Programático

  1. 1. Introdução [4 horas-aula]
    1. 1.1. O que são padrões ?
    2. 1.2. Como montamos um padrão ?
    3. 1.3. Sinais X Padrões, Exemplos Sinais e Aplicações.
    4. 1.4. Quais as atividades que realizamos com padrões ?
    5. 1.5. Medidas de distância entre padrões: a distância de Hamming, Nearest Neighbour e outras.
    6. 1.6. Como trabalhamos com padrões usando medidas de distância simples.
    7. 1.7. Tesselação: Trangulação de Delaunay e o Diagrama de Voronoi
  2. 2. Técnicas Simbólicas [12 horas-aula]
    1. 2.1. Aplicando raciocínio simbólico a padrões: Inteligência Artificial aprendendo Dados
      1. 2.1.1. O que é aprendizado simbólico ?
      2. 2.1.2. Brevíssimo Histórico do Aprendizado em IA
      3. 2.1.3. Como ver o aprendizado em RP ?
    2. 2.2. Classificação dos Métodos de Aprendizado
      1. 2.2.1. Forma de apresentação dos padrões a serem aprendidos
      2. 2.2.2. Processo de aprendizado
      3. 2.2.3. Forma de avaliação do aprendizado
      4. 2.2.4. Requisitos para o Reconhecimento de Padrões
    3. 2.3. O Aprendizado de Máquina Baseado em Instâncias
    4. 2.4. IBL - Instance-Based Learning: Como Algoritmos Aprendem Simbolicamente
    5. 2.5. IBL2 e IBL3: Extensões do Modelo de AM
  3. 3. Técnicas Subsimbólicas: Redes Neurais [12 horas-aula]
    1. 3.1. Filosofia Geral da Aplicação do Raciocínio Subsimbólico a Padrões: Redes Neurais Aprendendo Dados, Classificadores e Agrupadores
    2. 3.2. O Simulador SNNS - Stutgarter Neural Network Simulator
    3. 3.3. Classificadores: Usando Aprendizado Supervisionado para Reconhecer Padrões
    4. 3.4. Desenvolvimento de Aplicações: Usando Aprendizado Supervisionado
    5. 3.5. Agrupadores: Usando Aprendizado Não Supervisionado para Organizar Padrões
      1. 3.5.1. O Modelo de Kohonen e Quantização de Vetores
      2. 3.5.2. O Modelo ART: Teoria da Ressonância Adaptativa
    6. 3.6. Explorando Dados Agrupados em Redes
  4. 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]
    1. 4.1. Introdução
    2. 4.2. Representação de Casos
    3. 4.3. Recuperação de Casos e Similaridade
    4. 4.4. Laboratório #1 - CBR-Works/MyCBR
    5. 4.5. Reutilização e Adaptação de Casos
    6. 4.6. Laboratório #2 - CBR-Works/MyCBR
  5. 5. Técnicas Estatísticas [12 horas-aula]
    1. 5.1. Introdução às Técnicas Estatísticas Exploratórias: Estatística Multivariada
    2. 5.2. Análise de Discriminantes
      1. 5.2.1. Exercício de Análise de Discriminantes
    3. 5.3. Análise de Agrupamentos
      1. 5.3.1. Unificação ou Agrupamento em Árvore
      2. 5.3.2. Agrupamento por k-Médias
      3. 5.3.3. Exercício de Análise de Agrupamentos
    4. 5.4. Visão Geral das Demais Técnicas Multivariadas
  6. 6. Gerando Padrões: Análise de Sinais e Imagens [20 horas-aula]
    1. 6.1. Visão Geral de Análise de Sinais Digitais
    2. 6.2. O Pacote de Softwares Khoros
    3. 6.3. Classificação dos Métodos: Domínios de Valor, Espaço e Freqüência
    4. 6.4. Métodos no Domínio do Valor: Thresholding, Histogramas
    5. 6.5. Métodos no Domíno do Espaço 1: Detecção de Bordas
    6. 6.6. Métodos no Domínio do Espaço 2: Morfologia Matemática
    7. 6.7. Métodos no Domínio do Espaço 3: Segmentação

6. Bibliografia Básica

  1. Young: Handbook of Pattern Recoginition and Image Processing, Academic Press
  2. Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.
  3. David Rummelhart e James McLelland (1984) Parallel Distributed Processing: Neural Network Models and Applications, MIT Press, Cambridge, MA, Vols I e II.
  4. Kohonen, T. (1984), Self-Organization and Associative Memory, Berlin: Springer.
  5. David Marr: Vision - A Computational Investigation into the Human Representation and Processing ofVisual Information, W.H.Freeman & Co.,1982
  6. R. Gonzalez, R.Woods: Digital Image Processing, Addison Wesley, 1993
  7. John C. Russ: The Image Processing Handbook, CRC Press, 1995
  8. B.D.Ripley: Pattern Recognition and Neural Networks, Cambridge Univ. Press, 1996
  9. Haralick, Shapiro: Computer and Robot Vision, Volumes I & II

7. Bibliografia Complementar

  1. 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