Patroonherkenning Training Cursus

Inleiding

• Overzicht van patroonherkenning en machine learning
• Belangrijkste toepassingen in diverse vakgebieden
• De betekenis van patroonherkenning voor moderne technologieën

Kansrekening, modelselectie, besluitvorming en informatietheorie

• Grondbeginselen van kansrekening binnen patroonherkenning
• Concepten met betrekking tot modelselectie en -evaluatie
• Besluitvormingsprocessen en hun toepassingen
• Fundamenten van de informatietheorie

Kansverdelingen

• Inleiding tot veelgebruikte kansverdelingen
• Rol van verdelingen bij het modelleren van data
• Toepassingen binnen patroonherkenning

Lineaire modellen voor regressie en classificatie

• Inleiding tot lineaire regressie
• Inzicht in lineaire classificatietechnieken
• Toepassingen en beperkingen van lineaire modellen

Neurale netwerken

• Grondbeginselen van neurale netwerken en deep learning
• Trainen van neurale netwerken voor patroonherkenning
• Praktische voorbeelden en casestudies

Kernmethoden

• Inleiding tot kernmethoden binnen patroonherkenning
• Support Vector Machines en andere kerngebaseerde modellen
• Toepassingen bij het analyseren van data met veel dimensies

Sparse kernel machines

• Inzicht in sparse modellen binnen patroonherkenning
• Technieken voor model-sparsheid en regularisatie
• Praktische toepassingen in data-analyse

Grafische modellen

• Overzicht van grafische modellen binnen machine learning
• Bayesiane netwerken en Markov random fields
• Inference en leerprocessen binnen grafische modellen

Mengmodellen en het EM-algoritme

• Inleiding tot mengmodellen
• Het Expectation-Maximization (EM)-algoritme
• Toepassingen in clustering en dichtheidsschatting

Approximatieve inferentie

• Methoden voor approximatieve inferentie bij complexe modellen
• Variatie-methoden en Monte Carlo-samplingtechnieken
• Toepassingen binnen de analyse van grote hoeveelheden data

Samplingsmethoden

• Het belang van sampling bij probabilistische modellen
• Markov Chain Monte Carlo (MCMC)-technieken
• Toepassingen binnen patroonherkenning

Continue latentevariabelenmodellen

• Inzicht in continue latentevariabelenmodellen
• Toepassingen op het gebied van dimensionaliteitsreductie en data-representatie
• Praktische voorbeelden en casestudies

Sequentiële data

• Inleiding tot modellering van sequentiële data
• Hidden Markov-modellen en aanverwante technieken
• Toepassingen in tijdreeksanalyse en spraakherkenning

Combinatie van meerdere modellen

• Mogelijkheden tot het combineren van verschillende modellen
• Ensemble-technieken en boosting-methoden
• Toepassingen ter verbetering van de voorspellingsnauwkeurigheid

Samenvatting en volgende stappen