【模式识别与机器学习】课程框架

第二章　统计判别

第三章    判别函数

第四章　特征选择和提取

第五章　句法模式识别

第六章　统计学习理论基础

第七章　有监督学习基础算法

第八章　支持向量机

第九章　无监督学习与半监督学习

第十章　图模型基础

第十一章 集成学习

第十二章 神经网络与深度学习

第十三章 典型应用案例

 

 

第一章 绪论
1.1模式和模式识别的概念，，，
1.2 模式识别简史和应用
1.3 模式识别的方法
1.4模式识别系统

第二章 统计判别
2.1 贝叶斯判别准则
2.2 最小风险判别
2.3 正态分布模式的贝叶斯分类器
2.4 均值向量和协方差矩阵的参数估计

第三章 判别函数
3.1 线性判别函数
3.2 广义线性判别函数
3.3 分段线性判别函数
3.4 模式空间和权空间
3.5 感知器算法

第四章 特征选择和提取
4.1 模式类别可分性的测度
4.2 特征选择
4.3 离散K-L变换

第五章 句法模式识别
5.1 关系运算
5.2 形式语言基础
5.3 句法结构的自动机识别
5.4 利用形式语言的图形识别
5.5 基元提取
5.6 句法分析与文法推断

第六章 统计学习理论基础
6.1 统计判别准则
6.2 过拟合与正则化
6.3 偏差方差分解

第七章 有监督学习基础算法
7.1 线性回归与线性分类
7.2 判别式与产生式学习方法
7.3 逻辑回归与朴素贝叶斯方法
7.4 极大似然与最大后验方法

第八章 支持向量机
8.1 线性支持向量机
8.2 硬间隔最大化与软间隔最大化
8.3 对偶与凸化
8.4 核方法
8.5 结构支持向量机

第九章 无监督学习与半监督学习
9.1 聚类
9.2 层次聚类模型
9.3 EM算法
9.4 流形学习
9.5 协同训练
9.6 基于图的半监督方法

第十章 图模型基础（4）
10.1 条件独立性
10.2 有向图与无向图
10.3 马尔科夫随机场
10.4 隐马尔科夫模型

第十一章 集成学习
11.1 Bagging
11.2 Boosting
11.3 随机森林

第十二章 神经网络与深度学习
12.1 人工神经网络基础
12.2 前馈神经网络
12.3 反馈神经网络
12.4 受限玻尔兹曼机
12.5 自动编码机
12.6 卷积神经网络
12.7 递归神经网络

第十三章 典型应用案例
13.1 人脸检测与识别
13.2 文字检测与识别
13.3 图像识别与分类