Cykl wykładów "Wprowadzenie do Zagadnień Klasyfikacji i Klasteryzacji Danych Biometrycznych" prowadzi od podstaw biometrii i uczenia maszynowego, takich jak cechy, proces akwizycja – ekstrakcja – klasyfikacja/klasteryzacja – decyzja, po praktyczne umiejscowienie algorytmów w całym łańcuchu. Omawia reprezentacje danych i wektory osadzeń wraz z redukcją wymiarowości, a następnie identyfikację 1:N i weryfikację 1:1 z metrykami operacyjnymi (ROC/DET, FAR/FRR, EER) i zasadami doboru progów. Przedstawia klasyczne metody (k-NN, drzewa decyzyjne/Random Forest, SVM, Naive Bayes), pokazując kiedy wygrywają prostotą, szybkością i wyjaśnialnością oraz jak je kalibrować. W części nowoczesnej akcent pada na głębokie uczenie: CNN, RNN/LSTM, transformery, wektory osadzeń (np. ArcFace, x-vectors), a także ANN. Kolejny krok to klasteryzacja w biometrii (k-means, HDBSCAN, hierarchiczna, grafy) z zastosowaniami do deduplikacji i diaryzacji ze szczególnym naciskiem na jakość, strefy niejednoznaczności i „gatekeeperów”. Całość podsumowana jest wyzwaniami operacyjnymi: niezbalansowaniem, fairness, multibiometrią i fuzją, uczeniem federacyjnym i ochroną prywatności, objaśnialnym AI, a także dyscypliną MLOps (kalibracja, PAD, telemetria, audyty), które decydują o skutecznych wdrożeniach.
- Nauczyciel: Strąk Łukasz