Recommended
More Related Content
What's hot
What's hot (20)
Similar to 패턴인식과 기계학습 개요
More from jdo
More from jdo (20)
패턴인식과 기계학습 개요
- 1. 패턴인식과 기계학습 -패턴인식과 기계학습의 개요- 2018-0810 도정찬
- 4. 1. 패턴인식과 기계학습 패턴인식 예시 - Digit Recognition
- 5. 1. 패턴인식과 기계학습 패턴인식 예시 - Face Recognition
- 6. 1. 패턴인식과 기계학습 직선 형태 원 하나 직선 하나 구조적 특성으로 분류하기 원이 하나
- 7. 1. 패턴인식과 기계학습 구조적 특성으로 분류하기 잘 구분되는 경우 애매한 경우
- 8. 1. 패턴인식과 기계학습 구조적 특성으로 분류하기
- 9. 1. 패턴인식과 기계학습 탬플릿 매칭으로 분류하기 원형 (template) 유사
- 10. 1. 패턴인식과 기계학습 탬플릿 매칭으로 분류하기 원형 (template) ???
- 11. 1. 패턴인식과 기계학습 탬플릿 매칭으로 분류하기 원형영상 (template) 표정 변형 조명 변형 기타 변형
- 12. 1. 패턴인식과 기계학습 탬플릿 매칭으로 분류하기 원형영상 (template) 표정 변형 조명 변형 기타 변형
- 13. 1. 패턴인식과 기계학습 탬플릿 매칭으로 분류하기 원형영상 (template) 표정 변형 조명 변형 기타 변형
- 14. 1. 패턴인식과 기계학습 기본적인 패턴인식 기법 탬플릿 매칭구조적 특징
- 15. 1. 패턴인식과 기계학습 패턴인식의 어려움 고개 숙임 물 마시기 잘못 찍힘 고개 돌리기 너 무 많 은 변 형
- 17. 1. 패턴인식과 기계학습 숫자 패턴 인식 학습 데이터 패턴인식기 패턴 추출, 학습 패턴 인식
- 18. 1. 패턴인식과 기계학습 숫자 패턴 인식 – 평균영상을 이용한 패턴 추출 평균 영상 변형1 변형2 변형3 변형4
- 19. 2.패턴인식의 처리과정 학습 데이터 집합 테스트 데이터 전처리 Preprocessing 특징추출 Feaure extraction 학습(데이터 분석) Learning classifier/ Data Analysis 결정경계 Decision boundary 분류/인식 Classification/ Recognition 인식 결과 학습단계(Learning Stage) 인식단계(Recognition Stage) 1.패턴인식 처리과정
- 20. 2.패턴인식의 처리과정 2. 전처리 위치변환 회전변환 크기변환 입력영상 영상보정 출력영상
- 22. 2.패턴인식의 처리과정 4. 분류기 학습 데이터 전처리 Data Preprocessing 데이터 분석 Data analysis 데이터 수입 Data collection 특징 추출기 및 분류기 개발 Development of feature extractr & classifier 성능 평가 Performance evaluation 수정/보완
- 23. 3.패턴인식의 기본요소 1. 데이터와 데이터 분포 – 데이터의 형태 음성 데이터 문자 데이터 영상 데이터
- 24. 3.패턴인식의 기본요소 1. 데이터와 데이터 분포 – 데이터의 형태 영상 데이터 (n개의 화소) 𝒙 = 𝒙 𝟏, 𝒙 𝟐, . . . , 𝒙 𝒏 𝑻
- 25. 3.패턴인식의 기본요소 1. 데이터와 데이터 분포 확률밀도함수 등고선으로 표시된 확률밀도함수 표본집합모집합
- 26. 3.패턴인식의 기본요소 2. 특징과 특징추출 너무 많은 특징 적당한 특징
- 27. 3.패턴인식의 기본요소 2. 특징과 특징추출 – 숫자 영상의 특징 (a)원영상 (b)격자특징 (c)수직히스토그램 (d)방향특징
- 28. 3.패턴인식의 기본요소 2. 특징과 특징추출 – n차원 벡터의 특징추출 x(데이터) 임의의벡터u 𝒙 𝑻u(특징값) x(데이터) 𝒖 𝟏 𝒙 𝑻 𝒖 𝟏(특징값) 𝒖2 𝒖3 𝒙 𝑻 𝒖2(특징값) 𝒙 𝑻 𝒖3(특징값)
- 29. 3.패턴인식의 기본요소 벡터 x = 특징값 or 원래 데이터 학습데이터 집합 X = x1, x2, . . . , xN 3.분류와 결정경계
- 30. 3.패턴인식의 기본요소 벡터 x = 특징값 or 원래 데이터 학습데이터 집합 X = x1, x2, . . . , xN 3.분류와 결정경계
- 31. 3.패턴인식의 기본요소 클래스 라벨 y(xi) = ? 3.분류와 결정경계
- 32. 3.패턴인식의 기본요소 x1 = 클래스 라벨 y(x1) = 7 x2 = 클래스 라벨 y(x2) = 4 3.분류와 결정경계
- 33. 3.패턴인식의 기본요소 x1 = 클래스 라벨 y(x1) = 7 xi = 입력데이터 y(x)는 분류기 y(xi) = 입력 데이터의 결과 라벨 3.분류와 결정경계
- 35. 3.패턴인식의 기본요소 decision boundary -> g(x) = 0 g(x) = 판별함수(discriminant function) y(x) = +1 if g x ≥ 0 ( x ∈ C1) −1 if g x < 0 ( x ∈ C2) 3.분류와 결정경계
- 36. 3.패턴인식의 기본요소 4. 분류율과 오차 - 학습, 시험오차 학습오차(training error) Etrain= 1 Ntrain x∈Xtrain 𝜹[t(x) − y(x)] = 틀린 횟수 학습데이터 수 시험오차(test error) Etest= 1 Ntest x∈Xtest 𝜹[t(x) − y(x)] = 틀린 횟수 시험데이터 수
- 37. 3.패턴인식의 기본요소 시험오차(test error) Etest= 1 Ntest x∈Xtest 𝜹[t(x) − y(x)] = 틀린 횟수 시험데이터 수 시험데이터 4. 분류율과 오차 - 학습, 시험오차
- 38. 3.패턴인식의 기본요소 4. 분류율과 오차 – 일반화 오차 일반화오차(generalization error) Egen= E 𝜹 t x − y x = −∞ ∞ 𝜹[t(x) − y(x)]p(x)dx 전체데이터
- 39. 3.패턴인식의 기본요소 4. 분류율과 오차 – 교차검증법(Cross Validation Method) Etest(X1)전체데이터 𝑿 𝟏 𝑿2 𝑿3 𝑿4 훈련데이터 시험데이터 Etest(X2) Etest(X3) Etest(X4) MEAN 𝑬 𝒄𝒗
- 40. 감사합니다