模式識別教學大綱

1、模式識別教 學大綱一課程性質與教學目的本課程是計算機科學與技術專業(yè)研究生一年級的專業(yè)選修課，是研究計算機模式識別的 基本理論、方法和應用。本課程的教學目的是，通過本課程的學習，使學生掌握模式識別的 基本概念、基本原理、基本分析方法和算法，培養(yǎng)學生利用模式識別方法，運用技能解決本 專業(yè)和相關領域的實際問題的能力。二課程要求重點掌握下列幾方面的知識。(1) 貝葉斯決策理論。(2) 概率密度函數(shù)的估計。(3) 線性差別函數(shù)。(4) 非線性差別函數(shù)。(5) 近鄰法。(6) 特征的選擇與提取。(7) 基于K-L展開式的特征提取。(8) 非監(jiān)督學習方法。(9) 人工神經網絡。(10) 模糊模式識別方法。(

2、11) 統(tǒng)計學習理論 支持向量機。教學內容及要求教學內容教學要求第1章概論1.1模式與模式識別1.2模式識別的主要方法1.3監(jiān)督模式識別與非監(jiān)督模式識別1.4模式識別系統(tǒng)舉例1.5模式識別系統(tǒng)的典型構成了解模式識別的相關常識與概念，以及一 些基本問題第2章 統(tǒng)計決策方法2.1引言：一個簡單的例子2.2最小錯誤率貝葉斯決策2.3最小風險貝葉斯決策2.4 兩類錯誤率、neyman-pearson決策與roc1. 理解最小錯誤率貝葉斯決策和最小風 險貝葉斯決策，2. 理解正態(tài)分布時的統(tǒng)計決策3. 理解錯誤率的計算曲線2.5正態(tài)分布時的統(tǒng)計決策2.6錯誤率的計算2.7離散概率模型下的統(tǒng)計決策舉例第3章

3、概率密度函數(shù)的估計3.1引言3.2最大似然估計3.3貝葉斯估計與貝葉斯學習3.4概率密度估計的非參數(shù)方法了解最大似然估計、貝葉斯方法與概率密 度估計。第4章線性分類器4.1引言4.2線性判別函數(shù)的基本概念4.3fisher 線性判別分析4.4感知器4.5最小平方誤差判別4.6最優(yōu)分類超平面與線性支持向量機4.7多類線性分類器1. 理解線性判別函數(shù)的基本概念2. 理解fisher線性判別分析3. 理解感知器和最小平方誤差判別4. 了解最優(yōu)分類超平面與線性支持向量 機5. 了解多類線性分類器第5章 非線性分類器5.1引言5.2分段線性判別函數(shù)5.3二次判別函數(shù)5.4多層感知器神經網絡5.5支持向量

4、機5.6核函數(shù)機器1. 理解分段線性判別函數(shù)和二次判別函 數(shù)2. 理解多層感知器神經網絡3. 理解支持向量機和核函數(shù)機器第6章 其他分類方法.6.1近鄰法6.2決策樹與隨機森林6.3羅杰斯特回歸6.4boosti ng 方法1. 理解近鄰法和決策樹與隨機森林2. 理解羅杰斯特回歸3. 了解 boosting 方法第7章特征選擇7.1引言7.2特征的評價準則7.3特征選擇的最優(yōu)算法7.4特征選擇的次優(yōu)算法7.5特征選擇的遺傳算法7.6以分類性能為準則的特征選擇方法1 理解特征的評價準則2 理解特征選擇的各種算法3.理解以分類性能為準則的特征選擇方 法第8章特征提取8.1引言1 掌握基于類別可分性

5、判據的特征提取 2掌握主成分分析方法8.2基于類別可分性判據的特征提取8.3主成分分析方法8.4karh unen-loeve 變換8.5k-l變換在人臉識別中的應用舉例8.6高維數(shù)據的低維顯示8.7多維尺度法8.8非線性變換方法簡介3. 理解 karhunen-loeve 變換4. 理解高維數(shù)據的低維顯示和多維尺度 法5. 了解非線性變換方法第9章非監(jiān)督模式識別9.1引言9.2基于模型的方法9.3混合模型的估計9.4動態(tài)聚類算法9.5模糊聚類方法9.6分級聚類方法9.7自組織映射神經網絡1. 了解基于模型的方法2. 理解混合模型的估計3. 理解動態(tài)聚類算法、模糊聚類方法和 分級聚類方法6. 了解自組織映射神經網絡第10章模式識別系統(tǒng)的評價10.1監(jiān)督模式識別方法的錯誤率估計10.2有限樣本下錯誤率的區(qū)間估計問題10.3特征提取與選擇對分類器性能估計的 影響10.4從分類的顯著性推斷特征與類別的關 系10.5非監(jiān)督模式識別系統(tǒng)性能的評價理解錯誤率估計、區(qū)間估計以及分類器性 能估計等模式識別系統(tǒng)的評價方法四.使用教材和教學參