Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2  značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS

Anotace:
Seznámení se základními přístupy v oblasti rozpoznávání s důrazem na problémy a aplikace statistického přístupu k rozpoznávání dat. V předmětu budou vysvětleny základní pojmy a metody rozpoznávání, pravděpodobnostní modely, metody odhadování parametrů a jejich výpočetní aspekty.

Osnovy přednášek:

1.		Základní pojmy rozpoznávání.
2.		Základní přístupy k rozpoznávání.
3.		Bayesovská teorie rozhodování.
4.		Teorie učení.
5.		Parametrické klasifikátory.
6.		Neparametrické klasifikátory.
7.		Klasifikátory typu SVM.
8.		Hierarchické klasifikátory.
9.		Rozpoznávání pomocí neuronových sítí.
10.		Odhady kvality klasifikace.
11.		Redukce dimenzionality.
12.		Výběr příznaků.
13.		Shluková analýza.

Osnovy cvičení:

1.		Zadání semestrálních úloh.
2.		Konzultace.
3.		Konzultace.
4.		Konzultace.
5.		Konzultace.
6.		Kontrola semestrálních úloh.
7.		Konzultace.
8.		Konzultace.
9.		Konzultace.
10.		Konzultace.
11.		Konzultace.
12.		Prezentační workshop semestrálních úloh.
13.		Prezentační workshop semestrálních úloh, zápočet.

Literatura:
Devijver, P. A., Kittler, J. ''Pattern Recognition: A Statistical Approach''. Prentice Hall, 1982. ISBN 0136542360. Duda, R. O., Hart, P. E., Stork, D. G. ''Pattern Classification (2nd Edition)''. Wiley-Interscience, 2000. ISBN 0471056693. Webb, A. R. ''Statistical Pattern Recognition (2nd Edition)''. Wiley, 2002. ISBN 0470845147. Theodoridis, S., Koutroumbas, K. ''Pattern Recognition''. Academic Press, 2008. ISBN 1597492728.

Požadavky:
základy pravděpodobnosti, programování, angličtina

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/MI-ROZ/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-TI.2018 Teoretická informatika V 1,3 MI-ZI.2016 Znalostní inženýrství V 1 MI-ZI.2018 Znalostní inženýrství V 1 MI-SP-TI.2016 Systémové programování V 1 MI-SP-SP.2016 Systémové programování V 1 MI-SPOL.2016 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V 1 MI-WSI-WI.2016 Webové a softwarové inženýrství V 1 MI-WSI-SI.2016 Webové a softwarové inženýrství V 1 MI-WSI-ISM.2016 Webové a softwarové inženýrství V 1 MI-NPVS.2016 Návrh a programování vestavných systémů V 1 MI-PSS.2016 Počítačové systémy a sítě V 1 MI-PB.2016 Počítačová bezpečnost V 1