Örüntü Tanıma
Giriş
Ders Hangi Soruyu Sorar?
Örüntü tanıma, ölçümlerden çıkarılan öznitelik vektörüne bakarak bir nesnenin hangi sınıfa ait olduğuna karar vermeyi inceler. Ders algılayıcıdan karara uzanan zinciri bütün olarak ele alır: ön işleme, öznitelik seçimi, sınıflandırıcı tasarımı ve hata çözümlemesi.
Bir bakışta
istatistiksel karar kuramı
ölçüm ya da öznitelik vektörü
sınıf etiketi
sınıflandırma hatası
orta-yüksek: olasılık, doğrusal cebir
etiketli örnekler
Giriş
Kısa Tarihçe
Fisher doğrusal ayırtaç analizini yayımlar; makalede kullandığı Iris verisi bugün de ilk örnektir.
Hu, öteleme, ölçek ve dönmeye karşı değişmeyen moment özniteliklerini tanıtır.
Cover ve Hart, en yakın komşu kuralının hatasının Bayes hatasının iki katını aşmadığını gösterir.
Duda ve Hart, alanın temel ders kitabı "Pattern Classification and Scene Analysis"i yayımlar.
Turk ve Pentland özyüzlerle (eigenfaces) yüz tanımayı PCA üzerine kurar.
LeCun ve arkadaşları LeNet-5'i ve MNIST el yazısı rakam verisini yayımlar.
Ders
Temel Kavramlar
Nesneyi temsil eden ölçümler: uzunluk, renk, doku.
Her örnek bir nokta; sınıflar bu uzayda bölgeler.
Sonsal olasılığı en büyük sınıfı seçmek; en az hata.
Öznitelik uzayını sınıf bölgelerine ayıran yüzey.
Parametrik (Gauss) ya da parametresiz (Parzen).
Yeni örneği en yakın etiketli örneklerin sınıfına ata.
PCA ve LDA ile az ama ayırt edici öznitelik.
Hangi sınıfın hangisiyle karıştığını gösterir.
Ders
Tipik İş Akışı
Ders
Derste Neler İşlenir?
- Örüntü tanıma sistemi: algılama, öznitelik, karar
- Bayes karar kuramı, risk ve kayıp
- Normal dağılım ve ayırtaç fonksiyonları
- Parametre kestirimi: en büyük olabilirlik, Bayes
- Parametresiz yoğunluk kestirimi: Parzen
- En yakın komşu kuralı ve uzaklık ölçüleri
- Doğrusal ayırtaçlar ve algılayıcı
- Destek vektör makineleri
- Öznitelik çıkarma, seçme ve boyut laneti
- PCA ve Fisher doğrusal ayırtaç analizi (LDA)
- Sınıflandırıcıları değerlendirme ve karşılaştırma
- Kümeleme ve Gauss karışım modelleri
Kazandırdığı beceriler
Tipik bir dönemin akışıdır; sıra ve kapsam üniversiteden üniversiteye değişir.
Dene
Kusurlu Parçayı Ayıkla
Üretim hattında her vidanın boyu ölçülüyor; kusurlu vidalar ortalamada daha uzun ama dağılımlar örtüşüyor. Kusur oranını ve hata maliyetini değiştirin, Bayes karar sınırının nasıl kaydığını izleyin; grafiğe tıklayıp parça ölçün.
Konum
Ön Koşullar
Bu dersten önce bilinmesi yararlı olan dersler ve neden gerektikleri.
| Ders | Neden gerekir |
|---|---|
| Olasılık ve İstatistik | Bayes karar kuramı, yoğunluk kestirimi |
| Programlama | Python ya da Java ile dizi, döngü ve fonksiyonlar |
| Doğrusal Cebir | vektör, uzaklık, özdeğer: PCA ve LDA'nın dili |
Konum
Bu Ders Sana Göre mi?
Kendine sor; "hayır" dediklerin için sağdaki sütun nereden başlayacağını gösterir.
| Kendine sor | Hayırsa önce |
|---|---|
| Normal dağılımı, ortalamayı ve kovaryansı açıklayabiliyor musun? | Olasılık ve İstatistik |
| Öklid uzaklığını, özdeğeri ve özvektörü açıklayabiliyor musun? | Doğrusal Cebir |
| Bir fonksiyonun en küçük değerini türev alarak bulabiliyor musun? | Analiz dersindeki türev ve uç değer konuları |
| Python'da NumPy dizileriyle bir veri setini okuyup işleyebiliyor musun? | Programlamaya giriş, ardından NumPy'a kısa bir giriş |
Konum
Dersin Komşuları
Örtüşme
Örtüştüğü Dersler
| İlişki | Ders | Ortak konu |
|---|---|---|
| temel alır | Bu ders Olasılık ve İstatistik dersini temel alır | Bayes karar kuramı, yoğunluk kestirimi |
| uygulama | Biyometrik Sistemler bu dersin yöntemlerini uygular | eşleme, doğrulama ve tanımlama |
| yöntem paylaşır | Makine Öğrenmesi ile yöntem paylaşır | sınıflandırıcılar, karar sınırları |
| yöntem paylaşır | Görüntü İşleme ile yöntem paylaşır | öznitelik çıkarma, şablon eşleme |
| yöntem paylaşır | Bilgisayarlı Görü ile yöntem paylaşır | nesne sınıflandırma |
Ayrışma
Ayrıştığı Noktalar (1/2)
| Ölçüt | Örüntü Tanıma | Makine Öğrenmesi | Bilgisayarlı Görü |
|---|---|---|---|
| Temel soru | Ölçümlerden bir nesnenin hangi sınıfa ait olduğuna nasıl karar verilir? | Bir program örneklerden nasıl genelleme yapar? | Bilgisayar bir görüntüde ya da videoda ne olduğunu nasıl anlar? |
| Yaklaşım | istatistiksel karar kuramı | istatistiksel öğrenme | görüntüden anlam çıkarma |
| Girdi | ölçüm ya da öznitelik vektörü | etiketli ya da etiketsiz örnekler | görüntü ya da video |
| Çıktı | sınıf etiketi | tahmin yapan model | etiket, kutu, derinlik, 3B yapı |
| Başarı ölçütü | sınıflandırma hatası | görülmemiş veride hata | doğruluk, mAP, IoU |
| Matematik yükü | orta-yüksek: olasılık, doğrusal cebir | yüksek: doğrusal cebir, olasılık, optimizasyon | yüksek: geometri, doğrusal cebir |
| Veri ihtiyacı | etiketli örnekler | orta ve çok | çok etiketli görüntü |
- Makine Öğrenmesi: MÖ öğrenme algoritmalarını genel olarak inceler; bu ders ölçümden sınıf kararına giden tasarımı ve Bayes hatasını odağa alır.
- Bilgisayarlı Görü: Bilgisayarlı görü görüntüde sahneyi anlamaya çalışır; bu ders herhangi bir ölçüm türünden sınıf kararı vermeyi genel olarak ele alır.
Ayrışma
Ayrıştığı Noktalar (2/2)
| Ölçüt | Örüntü Tanıma | Görüntü İşleme | Biyometri |
|---|---|---|---|
| Temel soru | Ölçümlerden bir nesnenin hangi sınıfa ait olduğuna nasıl karar verilir? | Bir görüntü nasıl iyileştirilir, dönüştürülür ve parçalara ayrılır? | Bir kişi yüzünden, parmak izinden ya da sesinden nasıl tanınır? |
| Yaklaşım | istatistiksel karar kuramı | piksel düzeyinde dönüşüm | eşleme ve doğrulama |
| Girdi | ölçüm ya da öznitelik vektörü | görüntü | yüz, parmak izi, iris, ses |
| Çıktı | sınıf etiketi | işlenmiş görüntü ya da bölgeler | kimlik kararı |
| Başarı ölçütü | sınıflandırma hatası | görsel kalite, PSNR | FAR, FRR, EER |
| Matematik yükü | orta-yüksek: olasılık, doğrusal cebir | orta: evrişim, Fourier | orta |
| Veri ihtiyacı | etiketli örnekler | az; öğrenme şart değil | kişi başına az örnek |
- Görüntü İşleme: Görüntü işleme görüntüyü iyileştirip dönüştürür, sonuç yine görüntüdür; bu dersin çıktısı bir sınıf etiketidir.
- Biyometri: Biyometri örüntü tanımanın bir uygulamasıdır; bu ders kişiye özgü değil, genel karar yöntemlerini öğretir.
Uygulama
Uygulama Alanları
Posta kodu, banka çeki, form okuma.
Taranmış belgeyi düzenlenebilir metne çevirme.
Kimlik doğrulama ve tanımlama.
Üretim hattında kusurlu ürünü ayırma.
EKG, kan tahlili ya da doku örneğini sınıflama.
Sesten kimin konuştuğunu bulma.
Uygulama
Riskler ve Etik
Yüz tanıma kişileri habersiz izlemeye yarar; Clearview AI internetten topladığı yüzler için birçok Avrupa ülkesinde cezalandırıldı.
Gender Shades çalışmasında ticari cinsiyet sınıflandırıcıları koyu tenli kadınlarda açık tenli erkeklerden çok daha sık yanıldı.
Kanseri kaçırmak ile yanlış alarm aynı tartılırsa toplam hata düşük, sonuç tehlikeli olur; kayıp matrisi bilinçle seçilmeli.
Öznitelikleri tüm veride seçip sonra çapraz doğrulama yapmak hatayı olduğundan çok düşük gösterir.
Ayrıntılı tartışma: Açıklanabilir Yapay Zekâ ve Yapay Zekâ Etiği.
Uygulama
Araçlar ve Örnek Veriler
Araçlar ve kütüphaneler
Tanınmış veri setleri
Uygulama
Sık Karıştırılanlar
| Yaygın düşünce | Doğrusu |
|---|---|
| Örüntü tanıma makine öğrenmesinin eski adıdır. | İki alan büyük ölçüde örtüşür; örüntü tanıma algılama ve öznitelik tasarımını da kapsayan mühendislik bakışıdır. |
| Sınıflandırıcı seçimi en önemli adımdır. | Çoğu problemde başarıyı belirleyen öznitelik seçimidir; kötü öznitelikle iyi sınıflandırıcı kurtarmaz. |
| Doğru öznitelikle hata sıfıra iner. | Sınıflar örtüşüyorsa en iyi karar bile Bayes hatası kadar yanılır. |
| Ne kadar çok öznitelik, o kadar iyi. | Boyut arttıkça örnekler seyrekleşir (boyut laneti); gereksiz öznitelik başarımı düşürür. |
Sonrası
Bu Dersten Sonra
Bu dersi temel alan ya da genişleten dersler
İlgili meslekler
Sonrası
Kaynaklar
- Duda, Hart ve Stork, Pattern Classification, 2. baskı, Wiley, 2001.
- Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
- Theodoridis ve Koutroumbas, Pattern Recognition, 4. baskı, Academic Press, 2009.
- Fukunaga, Introduction to Statistical Pattern Recognition, 2. baskı, Academic Press, 1990.