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:
The aim of the module is to give a systematic account of the major topics in pattern recognition with emphasis on problems and applications of the statistical approach to pattern recognition. Students will learn the fundamental concepts and methods of pattern recognition, including probability models, parameter estimation, and their numerical aspects.

Osnovy přednášek:

1.		Elements of pattern recognition.
2.		Basic pattern recognition concepts.
3.		Bayesian decision theory.
4.		Learning theory.
5.		Parametric classifiers.
6.		Non-parametric classifiers.
7.		Support vector machines.
8.		Hierarchical classifiers.
9.		Pattern recognition using neural networks.
10.		Classification quality estimation.
11.		Dimensionality reduction.
12.		Feature selection.
13.		Cluster analysis.

Osnovy cvičení:

1.		Course project assignment.
2.		Consultations.
3.		Consultations.
4.		Consultations.
5.		Consultations.
6.		Course project control.
7.		Consultations.
8.		Consultations.
9.		Consultations.
10.		Consultations.
11.		Consultations.
12.		Projects presentation workshop.
13.		Projects presentation workshop, assessment.

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:
introductory probability, programming, English

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 NIE-SI.21 Software Engineering 2021 V 1 NIE-TI.21 Computer Science 2021 V 1 NIE-DBE.2023 Digital Business Engineering V 1 NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V 1 NIE-PSS.21 Computer Systems and Networks 2021 V 1 NIE-PB.21 Computer Security 2021 V 1