Wykład
Modelowanie i identyfikacja (dla specjalności Systemy Wizyjne )
Ostatnie modyfikacje: czwartek, 06 lutego 2020
Lista ocen z egzaminu: 2020 Modelowanie lista ocen.pdf
Tematy zajęć |
Materiały pomocnicze |
1. Wprowadzenie: Modelowanie w technice - istota, rodzaje i konstruowanie modeli | MiI_w01_wprowadzenie.pdf |
2. Sygnały deterministyczne i losowe oraz ich parametryzacja | MiI_w02_sygnaly.pdf |
3. Przetwarzanie sygnałów za pomocą transformat | MiI_w03_transform.pdf |
4. Filtracja adaptacyjna | |
5. LPC | MiI_w05_LPC.pdf |
6. Liniowa estymacja rekursywna |
7. Tw. Bayesa i sieci bayesowskie |
http://www.inference.phy.cam.ac.uk/itprnn/book.pdf [3] rozdział 7 |
8. Liniowa analiza dyskryminacyjna LDA | |
9. Modele Markowa | MiI_w09_Markov.pdf |
10. Ukryte modele Markowa i ich zastosowanie w rozpoznawaniu mowy | Rabiner_00018626.pdf |
11. Redukcja wymiarowości danych: PCA i ISOMAP | MiI_w11_PCA.pdf |
12. Analiza składowych niezależnych ICA | |
13. Data mining | [5] |
14. Przygotowanie danych w technikach uczenia maszynowego | [6] |
15. Podsumowanie. | Zagadnienia_egzaminacyjne_2020.pdf |
* Materiały pomocnicze mają wyłącznie charakter dodatkowy. Materiałem obowiązującym jest materiał realizowany na zajęciach dydaktycznych.
Literatura:
1. Bronisław Słowiński, Wprowadzenie do nauki o technice, Wydawnictwo
Uczelniane Politechniki Koszalińskiej Koszalin 2007.
2. Tomasz Zieliński, Cyfrowe przetwarzanie sygnałów, WKŁ, 2008.
3. Saeed V. Vaseghi, Multimedia Signal Processing Theory and Applications in
Speech, Music and Communications, John Wiley & Sons Ltd, 2007.
4. Aleksandra Zimmer, Andrzej Englot, Identyfikacja obiektów i sygnałów, Teoria i praktyka dla użytkowników Matlaba, Politechnika Krakowska, 2005.
6. https://media.statsoft.pl/_old_dnn/downloads/identyfikacja_cech_korzeni_marchwi.pdf
7. http://www.statsoft.pl/czytelnia/artykuly/Text_mining_jako_narzedzie_pozyskiwania.pdf
Egzamin składa się z dwóch części: pytań i zadań.
Część pytaniowa: 15 pytań otwartych
Część zadaniowa: 3 zadania (maksymalnie łącznie 15pkt.).
Do sumarycznej punktacji wliczana jest aktywność na wykładach (maks. 0.5pkt na każdym wykładzie).
Skala ocen:
0-15 pkt. - ndst.
16-18 pkt - dst.
19-21 pkt - dst. plus
22-24 pkt. - dobry
25-27 pkt - dobry plus
28-30 (i więcej) pkt. - bdb
Opracowanie z Filtrów Adaptacyjnych powinno zawierać:
- stronę tytułową
- analizę algorytmu (równania, schemat, opis)
- analizę działania programu (właściwe komentarze w pliku)
- eksperyment domyślny z omówieniem wyników
- eksperyment "własny" (zmiana parametrów algorytmu i/lub zmiana sygnałów
wejściowych).