Στόχος:

Ο στόχος του μαθήματος είναι να προσφέρει στους φοιτητές ένα στερεό υπόβαθρο στη θεωρία αναγνώρισης προτύπων καθώς και των εφαρμογών αυτής σε διάφορα επιστημονικά πεδία.

Περιγραφή:

1. Επισκόπηση θεωρίας πιθανοτήτων και αποφάσεων (Overview of probability and decision theory)
2. Μπεϋζιανή επαγωγή (Bayesian inference)
3. Γραμμικά μοντέλα παλινδρόμησης και ταξινόμησης (Linear regression and classification models)
4. Μη γραμμική ταξινόμηση και νευρωνικά δίκτυα (Nonlinear classification models and neural networks)
5. Μέθοδοι πυρήνων και μηχανές υποστηριζόμενων διανυσμάτων (Kernel methods and support vector machines)
6. Μπεϋζιανά δίκτυα και τυχαία πεδία Markov (Bayesian networks and random Markov fields)
7. Ανάλυση κύριων και ανεξάρτητων συνιστωσών (Principal and independent component analysis)
8. Μοντέλα ανάμιξης και μεγιστοποίηση αναμενόμενης τιμής (Mixture models and expectation maximization)
9. Μέθοδοι δειγματοληψίας (Sampling methods)