Algoritmy umělé inteligence pro klasifikaci a rozpoznávání

Mgr. Václav KOCIAN

Doctoral thesis

Artificial Intelligence Algorithms for Classification and Pattern Recognition

Abstract:

This dissertation discusses possibilities of using artificial intelligence algorithms in pattern recognition and classification. Attention is paid to systems that minimize demands on data preprocessing. Minimizing of requirements for preprocessing leads automatically to systems that are able to sufficiently classify the submitted data into predefined classes without knowledge of details of their significance. Preprocessing, sometimes also referred as feature extraction, is used to "translate" real patterns into the language of classifiers. Generally, the more sophisticated processing, the less demands are placed on their own intelligence of classifiers and vice versa. An example of systems with high demands on preprocessing can be a typical fuzzy model. Fuzzy systems are evidently dependent on non-trivial expert knowledge of the problem domain. Their knowledge is implemented in the program in a well-defined way, where the knowledge represents the whole decision logic. The advantage of fuzzy systems is certainly their absolute predictability, and in many cases a lower cost of implementation. Fuzzy systems do not require large sets of training examples, and the whole system is possible to design virtually "from the table". In contrast, the systems that have been designed within this thesis work in a different way. These systems were designed to be able to abstract from problems themselves and to propose solutions corresponding to the presented samples. An indisputable advantage of such systems is the fact that they can be applied almost without changes to solve any task that is expressed in an understandable way to the given classifier. The same system is then theoretically able to solve diverse tasks, such as text recognition, face detection, or time series analysis. Another advantage of these systems is that they are not "weighted down" by knowledge and so they can be used to search for unknown relationships between various features of submitted patterns. The methods proposed in this thesis come out from a technique called boosting, which is based on the principle of combining a large number of so-called weak classifiers into a strong classifier.

Abstract:

Dizertační práce se zabývá možnostmi využití algoritmů umělé inteligence v úlohách rozpoznávání a klasifikace. Pozornost je zaměřena zejména k systémům minimalizujícím nároky na předzpracování dat. Minimalizace požadavků na předzpracování automaticky vede k systémům, jež dokáží uspokojivě klasifikovat předložená data do definovaných tříd bez nutnosti znát podrobnosti o jejich významu. Předzpracování, někdy také označováno jako extrakce vlastností (feature extraction) slouží k ?překladu? reálných vzorů do jazyka klasifikátoru. Obecně platí, že čím je dokonalejší předzpracování, tím menší nároky jsou kladeny na inteligenci vlastního klasifikátoru a naopak. Přikladem systému s vysokými nároky na předzpracování může být typický fuzzy model. Fuzzy systémy zcela závisí na netriviálních znalostech odborníka z problémové domény. Jeho znalosti jsou přesně definovaným způsobem implementovány do programu, kde představují celou rozhodovací logiku. Výhodou fuzzy systémů je bezpochyby jejich naprostá předvídatelnost a v mnoha případech také nižší cena implementace. Fuzzy systém totiž nevyžaduje rozsáhlé soubory trénovacích případů a celý je možné jej navrhnout prakticky ?od stolu?. Naproti tomu systémy, které byly navrženy v rámci této dizertační práce, fungují výrazně odlišným způsobem. Byly navrženy tak, aby dokázaly samy abstrahovat od problémů a samostatně navrhnout řešení, které odpovídá předloženým vzorovým případům. Nespornou výhodou takovýchto systémů je fakt, že je lze prakticky bez úprav použít k řešení jakéhokoliv úkolu, který lze popsat (vyjádřit) způsobem srozumitelným danému klasifikátoru. Stejným systémem lze pak teoreticky řešit tak různorodé úlohy, jako je rozpoznávání textu, detekce obličeje nebo analýza časových řad. Další výhodou těchto systémů je skutečnost, že nejsou ?zatíženy? znalostmi a lze je tak využít ke hledání dosud neznámých vztahů mezi různými vlastnostmi předkládaných vzorů. Metody navržené v rámci této dizertační práce vycházejí z techniky zvané boosting , která je založena na principu kombinace velkého množství tzv. slabých klasifikátorů do jednoho silného klasifikátoru.

Keywords

Umělá inteligence, neuronová síť, boosting, klasifikátor, rozpoznávání vzorů, trénovací množina, adaptace.

Language used: English

Date on which the thesis was submitted / produced: 30. 3. 2015

Accessible from:: 30. 3. 2015

Thesis defence

• Supervisor: doc. RNDr. PaedDr. Eva Volná, Ph.D.

University of Ostrava

Faculty of Science

Doctoral programme / field:
Information Science / Information Systems