摘要：
预习与复习笔记 "第一章 模式识别基本概念" "第二章 基于距离的分类器" "第三章 贝叶斯决策和学习" "第四章 线性判据与回归" 学习心得 机器学习的热度虽然一直很高，但在上这门课之前，我并没有学习过相关知识，对于该领域的一些基础也不太了解 不过，在看MOOC视频学习以及线上和老师互动的过程中， 阅读全文
摘要：
线性判据与回归 线性判据基本概念 生成模型 给定训练样本{$x_n$}，直接在输入空间内学习其概率密度函数p(x) 优势 可以根据p(x)采样新的样本数据(synthetic data) 可以检测出较低概率的数据,实现离群点检测(outlierdetection) 劣势 高维下，需要大量的训练样本才 阅读全文
摘要：
预习笔记 MAP分类器 基于后验概率的分类器，后验概率 $p(C_{i}|x)=\frac{p(x|C_{i})p(C_{i})}{p(x)}$ 判别方法：$p(x|C_{1})p(C_{1}) p(x|C_{2})p(C_{2})?C1类：C2类$ 选择后验概率最大的类作为判别结果，即最小化概率误 阅读全文
摘要：
预习笔记 MED分类器 基于欧式距离的分类器，欧式距离 $d(x1,x2)=(x2 x1)^{T} (x2 x1)$ 判别方法： $(x μ_{1})^{T}(x μ_{1})<(x μ_{2})^{T}(x μ_{2})? C1类 : C2类$ 受特征的量纲、分布不同的影响，易导致分类错误，一般不 阅读全文
摘要：
预习笔记 模式识别 一般由 特征提取 、 回归器 两模块组成 大致分为 回归 与 分类 两种形式 对于输入的待识别模式，根据已有的知识进行判别决策，输出其回归值或所属类别 机器学习 通过一定量的训练样本，来学习模型的参数，有以下几类： 有监督式学习：训练样本给定真值 无监督式学习：训练样本不给真值， 阅读全文