Przedstawiono metody automatycznego rozpoznawania wzorców znajdujące zastosowanie zwłaszcza w zadaniach rozpoznawania obrazów, rozpoznawania mowy i rozpoznawania mówcy. Szczegółowo omówiono zastosowanie sztucznych sieci neuronowych jako klasyfikatorów. Przedstawiono m.in budowę preceptoru, regułę uczenia Widrowa-Hoffa i metodę wstecznej propagacji błędów. Uzyskiwane w sztucznych sieciach neuronowych rozwiązania porównano z rozwiązaniami bazującymi na metodach bayesowskich, metodzie największej wiarygodności oraz idei klasyfikacji i grupowania minimalnoodległościowego.

Oddzielną część książki poświęcono problemom rozpoznawania na podstawie modeli układów generujących obserwowane sygnały. Do tej grupy zagadnień należy tworzenie przestrzeni cech złożonej ze współczynników LPC, a także budowa ukrytych modeli Markowa.

Osoby które kupowały "Metody automatycznego rozpoznawania wzorców", wybierały także:

• Python na maturze. Kurs video. Algorytmy i podstawy j 139,00 zÅ‚, (55,60 zÅ‚ -60%)
• 40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie 77,00 zÅ‚, (38,50 zÅ‚ -50%)
• Algorytmy dla bystrzaków 58,98 zÅ‚, (29,49 zÅ‚ -50%)
• Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II 49,00 zÅ‚, (24,50 zÅ‚ -50%)
• Inteligentna sieć. Algorytmy przyszÅ‚oÅ›ci. Wydanie II 53,82 zÅ‚, (27,45 zÅ‚ -49%)

Spis treści

[ERROR]