การรู้จำแบบรูป
4(4-0-8)
เงื่อนไข : โดยความเห็นชอบของสาขาวิชา
แนวคิดเกี่ยวกับการรู้จำแบบรูป แนะนำระบบเชิงเส้น และการแปลงเชิงเส้น แนะนำทฤษฎีความน่าจะเป็น การเลือกค่าลักษณะเด่น การประเมินค่าลักษณะเด่น และการแปลงค่าลักษณะเด่น แนะนำตัวจำแนกแบบเบส์ การประมาณค่าพารามิเตอร์ด้วยวิธีความเป็นไปได้สูงสุด และแบบเบย์เซียน แบบจำลองฮิดเดนมาคอฟ ตัวจำแนกแบบเครือข่ายประสาทเทียม ตัวจำแนกแบบฟัซซี่ลอจิก การประยุกต์ใช้ระบบรู้จำ
แบบรูปสำหรับการรู้จำภาพและเสียง
เค้าโครงรายวิชา
1. แนวคิดเกี่ยวกับการรู้จำแบบรูป (2 ชั่วโมง)
2. แนะนำระบบเชิงเส้นและการแปลงเชิงเส้น (2 ชั่วโมง)
3. แนะนำทฤษฎีความน่าจะเป็น (4 ชั่วโมง)
4. การเลือกค่าลักษณะเด่น (2 ชั่วโมง)
5. การประเมินค่าลักษณะเด่นและการแปลงค่าลักษณะเด่น (6 ชั่วโมง)
6. แนะนำตัวจำแนกแบบเบส์ (4 ชั่วโมง)
7. การประมาณค่าพารามิเตอร์ด้วยวิธีความเป็นไปได้สูงสุดและแบบเบย์เซียน (4 ชั่วโมง)
8. แบบจำลองฮิดเดนมาคอฟ (4 ชั่วโมง)
9. ตัวจำแนกแบบเครือข่ายประสาทเทียม (4 ชั่วโมง)
10. ตัวจำแนกแบบฟัซซี่ลอจิก (8 ชั่วโมง)
11. การประยุกต์ใช้ระบบรู้จำแบบรูปสำหรับการรู้จำภาพและเสียง (8 ชั่วโมง)
ผลสัมฤทธิ์การเรียนรู้
นักศึกษาที่ผ่านรายวิชานี้มีความสามารถ ดังนี้
1. มีความเข้าใจปัญหาเกี่ยวกับการรู้จำแบบรูปในงานวิศวกรรมไฟฟ้าได้
2. สามารถเข้าใจวิธีแก้ปัญหาและประยุกต์การแก้ปัญหาการรู้จำแบบรูปในงานวิศวกรรมไฟฟ้าได้
Pattern Recognition
Condition : Consent of the School
Concepts of pattern recognition, Introduction to linear system and linear transformations, Introduction to probability theory, Feature selection, Feature evaluation and feature transformation, Bayesian classifier, Maximum likelihood parameter estimation, Bayesian parameter estimation, Hidden Markov model, Neural network classifier, Fuzzy logic classifier,
Application of pattern recognition on images and voice
Course Outline
1. Concepts of pattern recognition (2 hours)
2. Introduction to linear system and linear transformations (2 hours)
3. Introduction to probability theory (4 hours)
4. Feature selection (2 hours)
5. Feature evaluation and feature transformation (6 hours)
6. Bayesian classifier (4 hours)
7. Maximum likelihood parameter estimation and Bayesian parameter estimation (4 hours)
8. Hidden Markov model (4 hours)
9. Neural network classifier (4 hours)
10. Fuzzy logic classifier (8 hours)
11. Application of pattern recognition on images and voice (8 hours)
Learning Outcomes
Having successfully completed this course, students must be able to:
1. Understand problems concerning pattern recognition
2. Understand and apply appropriate method for solving problems related to pattern recognition