[01ROZP2] Zpracování a rozpoznávání obrazu 2

Nedostatek hodnocení. Statistika nemusí být relevantní.

• N :  Obecné poznámky k předmětu jako celku. [2]
  • Jde o jeden z nejlepších předmětů na Jaderce (a proto kritice věnuji dost času). Předmět se týká strojovému učení a část je věnovaná speciálně získávání atributů z obrázků. Část k získávání atributů z obrázků je v pořádku, seznámíte se se základními metodami. Jde o dost domain specific knowledge, nic z toho jsem za své 4 roky praxe v machine learningu nepotřeboval a ani pro to nenašel uplatnění (protože jsem zatím nemusel řešit image recognition). Druhá část obecně k machine learning je přinejmenším kontroverzní (ideální by samozřejmě bylo, kdyby na ML byl předmět zvlášť). Začíná se clusteringem, tam mi to přišlo relativně OK. Pak se ale jde na supervised learning, kde se probere v zásadě klasické kolečko bayes -> naive bayes -> LDA -> QDA (akorát se na hodinách tomu tak neříká) a tím se stráví několik hodin, což je dle mého strašně zbytečné. V jiných ML kurzech např. na StandfordEdu, UdaCity nebo Coursera neřeší několik hodin, jestli jsou ty elipsy vytyčené z vlastních vektorů takové, nebo makové a vůbec to neubírá na pochopení nebo chybách při aplikaci. Ale budiž, to bych ještě zvládnul. K čemu ale studentům je, že jsou schopni se vyhnout chybách při LDA/QDA, když se pořádně neprobere model selection, variance, bias, validace, train/test/validation split, cross-validace, parametr search a podobně? Tomu se věnovalo mnohem méně času a přitom jde o mnohem obecnější a hlavně mnohem kritičtější znalosti. Část k feature selection je také dost podceněná - místo Bhattacharyya by bylo lepší ukázat forward/backward selection s test setem, reálně se stejně používá to. Feature extraction prakticky nezaznělo (one-hot-encoding, typy proměnných) Poslední věc je dle mého malý počet zmíněných modelů a praktických zkušeností s nimi. Bylo by skvělé mít třeba 3 cvičení v Pythonu ve scikit-learn a vyzkoušet si jak NB, LDA, QDA, tak i logit, SVM, neuronky (keras) atp. Vůbec nahradit Matlab Pythonem by byl krok kupředu. Z věcí, co jsme dělali na cvikách má scikit-image nebo scipy vše a je to oproti Matlabu běžně používanej jazy
    Daniel Hnyk studijní obor: Matematická informatika; role předmětu: PO
  • Jeden z nejuzitecnejsich a nejlepe prednasenych predmetu, jaky jsem na FJFI absolvovala. Profesor Flusser je vynikajicim prednasejicim, nenasilne primeje kazdeho posluchace premyslet o tematu, a to behem i po prednasce. Na prednasky i cvika jsem se kazdy tyden tesila. Jen skoda, ze jsem nemohla chodit na vsechny, nebot se mi to v rozvrhu krylo s povinnou praxi. Skola by mela obstarat prevracece casu.
    studijní průměr: <1.0, 1.5>; studijní obor: Radiologická fyzika; role předmětu: V