„Számítógépes látórendszerek - Ellenőrző kérdések: Detektálás, Osztályozás” változatai közötti eltérés
Ugrás a navigációhoz
Ugrás a kereséshez
Mit jelent a gépi tanulás?
48. sor: | 48. sor: | ||
== Ismertesse a Bayes hálók működését! == | == 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 percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre? == |
A lap 2015. június 5., 18:21-kori változata
Tartalomjegyzék
- 1 Mit jelent a detektálás/lényegkiemelés, illetve az osztályozás? Milyen nehézségekkel kerülünk szembe az egyes feladatok esetén?
- 2 Ismertesse a template matching algoritmust! Milyen transzformációk esetén biztosít invarianciát az algoritmus?
- 3 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?
- 4 Ismertesse a kNN algoritmust!
- 5 Ismertesse a Bayes hálók működését!
- 6 Ismertesse a percepton/neuron algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
- 7 Ismertesse a Support Vector Machine (SVM) algoritmust! Hogyan terjeszthető ki nemlineáris esetre?
- 8 Mi a klaszterezés, mire jó? Ismertessen klaszterező algoritmusokat! Mi az erős és a gyenge hozzárendelés, és hogyan kapcsolódik az egyes algoritmusokhoz?
- 9 Mutassa be a főkomponens analízis (PCA) algoritmust!
- 10 Mi a mély tanulás és mire jó? Mutassa be a legfontosabb mély tanuló struktúrákat!
- 11 Ismertesse a Bag of Words osztályozó algoritmus működési elvét! Milyen előnyei és hátrányai vannak más módszerekkel szemben?
- 12 Mutassa be a rész alapú (part based) detektorok működését! Milyen előnyöket és hátrányokat tud megemlíteni?
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?
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!