模式識別與機器學習教學大綱_第1頁
模式識別與機器學習教學大綱_第2頁
模式識別與機器學習教學大綱_第3頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

模式識別與機器學習教學大綱模式識別就是利用計算機對某些物理現(xiàn)象進行分類，在錯誤概率最小的條件下，使識別的結果盡量與事物相符。模式識別的原理和方法在醫(yī)學、軍事等眾多領域應用十分廣泛，是計算機及其相關專業(yè)進行科學研究的基礎。課程以模式識別任務為主導，講授如何確定學習目標、獲取學習樣例，進行分類、識別與預測。課程概述本課程面向大學本科三年級以上學生或者具有先驗課程基礎的學生，通過培養(yǎng)學生認識模式識別的目的和意義，了解模式識別的過程，掌握機器學習的基本算法，并用以解決模式識別基本任務，促進學生應用模式識別處理計算機自動識別事物，掌握機器學習數(shù)據(jù)分析的相關技術；切實提高機器學習算法的理解與應用，提升對新理論、新方法的把握能力和研究能力，以及正確的解決工程問題的實踐能力。課程面向模式識別領域的前沿知識，內容兼顧基本理論和應用實例，緊扣該領域國際發(fā)展前沿和熱門研究課題，將實例貫穿于知識點，并能夠對知識點進行延伸擴展，達到舉一反三的目的。課程大綱01模式識別基本概念課時1.1什么是模式識別1.2模式識別數(shù)學表達1.3特征向量的相關性1.4機器學習基本概念1.5模型的泛化能力1.6評估方法與性能指標02基于距離的分類器課時2.1MED分類器2.2特征白化2.3MICD分類器03貝葉斯決策與學習課時3.1貝葉斯決策與MAP分類器3.2MAP分類器：高斯觀測概率3.3決策風險與貝葉斯分類器3.4最大似然估計3.5最大似然的估計偏差3.6貝葉斯估計(1)3.7貝葉斯估計(2)3.8KNN估計3.9直方圖與核密度估計04線性判據(jù)與回歸(一)課時4.1線性判據(jù)基本概念4.2線性判據(jù)學習概述4.3并行感知機算法4.4串行感知機算法4.5Fisher線性判據(jù)4.6支持向量機基本概念4.7拉格朗日乘數(shù)法4.8拉格朗日對偶問題4.9支持向量機學習算法05線性判據(jù)與回歸(二)課時4.10軟間隔支持向量機4.11線性判據(jù)多類分類4.12線性回歸4.13邏輯回歸的概念4.14邏輯回歸的學習4.15Softmax判據(jù)的概念4.16Softmax判據(jù)的學習4.17核支持向量機06神經網絡課時5.1神經網絡概念5.2BP算法5.3深度學習（一）5.4深度

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論