Курс распознавание образов

Данная коллекция материалов является дополнением к лекциям проф. Клюшин Д. А. по распознаванию образов для студентов 1-го курса магистратуры прикладной математики.

Введение

В рамках лекции этого курса, рассматривались преимущественно классические методы для распознавания образов. В данной серии дополнительного материала, мы более детально рассмотрим использование некоторых из этим методов на практических примерах.

Так же, с целью облегчения осваивания материала, большинство графиков и визуализации в данной серии являются интерактивными — не поленитесь навести на них мышкой.

Содержание

Релевантность

Несмотря на нынешнюю популярность методов обучения глубоких свёрточных нейронных сетей, классические методы распознавания образов всё равно остаются релевантными по нескольким причинам:

Когда очень мало данных, простая регрессия может лучше сработать чем многослойная рекуррентная нейронка.
Зачастую, классические методы используют для автоматической очистки данных при автономном сборе большого датасета для обучения глубоких сетей. Знание классических методов в таком случаи может вам сэкономить огромное количество денег на лейблеров.

Обозначения

В дополнительных материалах можете встретить следующие обозначения:

— есть ссылка на код в формате Jupyter Notebook на Google Colab.
— код доступен по ссылке на Github.
— ссылка на Github Issues. Если заметили ошибку, пишите туда.
— тип лицензии, под которым распостраняется код и визуализации.