模式识别

景永俊

目录

  • 1 绪论
    • 1.1 什么是模式识别？
    • 1.2 课程介绍
    • 1.3 学习要求与考核方法
    • 1.4 开发环境与配置
  • 2 模式识别概述
    • 2.1 模式识别的基本概念
    • 2.2 模式识别与机器学习
    • 2.3 模式识别的算法体系
    • 2.4 第一个模式识别算法实例
    • 2.5 算法实例演示-模版匹配
  • 3 线性分类器
    • 3.1 线性判别
    • 3.2 感知器算法
    • 3.3 算法实例：线性分类器
    • 3.4 LMSE算法
    • 3.5 SVM支持向量机
    • 3.6 算法实例：SVM
  • 4 贝叶斯分类器
    • 4.1 贝叶斯分类器
    • 4.2 贝叶斯分类器的训练
    • 4.3 算法实例：贝叶斯分类器
    • 4.4 最近邻算法KNN
    • 4.5 算法实例：KNN
  • 5 特征降维
    • 5.1 特征降维概念
    • 5.2 特征降维算法
    • 5.3 作业：PCA降维实例
  • 6 聚类分析
    • 6.1 数据聚类
    • 6.2 主要聚类算法
    • 6.3 K-means算法
  • 7 组合分类器
    • 7.1 组合分类的原理
    • 7.2 经典组合分类算法
    • 7.3 Adaboost算法
    • 7.4 随机森林算法
  • 8 人工神经网络
    • 8.1 人工神经网络概述
    • 8.2 浅层神经网络
    • 8.3 BP神经网络
    • 8.4 深度学习
    • 8.5 卷积神经网络CNN
    • 8.6 CNN算法实例
学习要求与考核方法

考核标准

2-4人一组

  1. 利用python或matlab等，完成一个独立的模块的程序实现、测试、分

    析

  2. 评分：组间互评（实现40、讲解25、分析20、回答问题15）

                      

                        第一类：基于贝叶斯的分类

                        第二类：KNN

                        第三类：感知器算法

                        第四类：SVM

                        第五类：神经网络