Примерный перечень вопросов к зачету по дисциплине

1. Алгоритмы и программы «Распознавание…»

2. Алгоритмы обучения классификаторов с учителем.

3. Алгоритмы построения разделяющей гиперплоскости Розенблатта, релаксации, градиентного типа.

4. Алгоритмы распознавания образов (Письменный Н. 2007)

5. Анализ многогранников.

6. Детерминированный подход в задаче классификации.

7. Диагностика состояний сложных систем и ситуаций принятия решений, классификация объектов и явлений, моделирование неформализованных закономерностей и зависимостей между факторами, генерирование понятий, описание классов объектов и ситуаций. (Гренадер У. Т.1. 1979)

8. Задача таксономии: метод сфер. (Дуда Р., Харт П. 1976)

9. Задачи выбора информативных признаков, сводимые к двойственным моделям оптимизации. (Гренадер У. Т.1. 1979)

10. Задачи самообучения и алгоритмы самообучения.

11. Иерархическая группировка.

12. Классификация и прогнозирование.

13. Классификация образов.

14. Комитеты голосования и другие нелинейные классификаторы.

15. Конечно-сходящиеся алгоритмы обучения.

16. Линейные классификаторы и рекуррентные алгоритмы обучения.

17. Линейный дискриминант Фишера.

18. Метод линейных многообразий в оценке признаков. (Ту Дж., Гонсалес Р. 1978)

19. Метод плеяд. (Гренадер У. Т.2. 1979)

20. Метод потенциальных функций.

21. Методы распознавания образов: дискриминации на основе сведения к линейным неравенствам, линейной коррекции, свертывания, метод комитетов, метод потенциалов, статистической теории решений. (Ярославский Л.П. 1979)

22. Методы теории графов в кластер-анализе.

23. Модели описания состояний объектов: модели дискриминантного анализа, таксономии, оценки признаков. (Гренадер У. Т.2. 1979)

24. Нелинейная разделимость классов.

25. Описание классов зависимостями и прецедентами.

26. Определение основных понятий: распознавание образов (РО), объекты и образы, признак, классы.

27. Оптимальность байесовского правила.

28. Основные понятия распознавания образов.

29. Основы анализа сцен.

30. Основы дискриминационного анализа.

31. Переход в спрямляющее пространство.

32. Перспективные преобразования, проективные инварианты.

33. Последовательный анализ, байесовские решения.

34. Постановка задачи распознавания.

35. Представление изображений и их упрощение.

36. Прецедент ‑ образ с известной классификацией.

37. Признаки классов и проблема их выбора, информативность признаков.

38. Применение методов распознавания образов в интеллектуальных пакетах прикладных программ, в алгоритмах для неформализованных задач оптимального выбора решений. (Дуда Р., Харт П. 1976)

39. Применение размытых множеств в распознавании образов.

40. Примеры (узнавание знакомого объекта, понимание речи, чтение текстов, дешифрирование аэро- и космоснимков, распознавание изображения, состояния устройств, систем, экономических объектов и т.д.).

41. Принцип эмпирической индукции Ф. Бэкона.

42. Принятие решений на основе моделирования (Model Base Reasoning) и по прецедентной информации (Case Base Reasoning).

43. Разделяющие поверхности в случае нормально распределенных признаков.

44. Распознавание образов как задача статистических решений.

45. Реляционные модели таксономии, метод максимальных совместных подсистем. (Дуда Р., Харт П. 1976)

46. Случай линейной разделимости двух классов изображений.

47. Статистический подход в распознавании образов.

48. Стохастические аналоги детерминированных алгоритмов обучения и самообучения.

49. Структурно-лингвистические методы. (Ярославский Л.П. 1979)

50. Таксонометрия и кластер-анализ.

51. Теорема Новикова.

52. Тупиковые тесты в выборе информативных признаков. (Фомин В.Н. 1976)

53. Феномен узнавания как свойство живых высокоорганизованных систем.

54. Этапы развития распознавание образов.