UP主: 封面: 简介:https://www.icourse163.org/course/BIT-1206703821 人工智能是当今的研究和产业应用热点,而模式识别技术是其中的一个重要分支,赋予人工智能系统感知和识别的能力。课程...
视频选集 1.1.1 人工智能之模式识别 1.1.2 模式识别的定义 1.1.3 模式识别的广泛应用 1.2.1 学习目标和学习内容 1.2.2 学习方法和学习路径 2.1.1 特征与特征空间 2.1.2 有监督学习与无监督学习 2.1.3 紧致性与维数灾难 2.1.4 泛化能力与过拟合 2.1.5 模式识别系统 2.2 模式识别的算法体系 2.3.1 问题:手写数字识别 2.3.2 算法:从模板匹配开始 2.4 算法实例演示:模板匹配 3.1.1 线性判别和广义线性判别 3.1.2 多分类线性判别 3.1.3 线性判别函数的几何意义 3.2.1 线性分类器训练的一般思路 3.2.2 感知器算法的原理 3.2.3 感知器算法的学习速率 3.2.4 感知器算法的深入分析 3.3 算法实例演示:线性分类器 3.4.1 线性分类器的松弛求解 3.4.2 H-K算法 3.5.1 支持向量机的原理 3.5.2 结构风险最小化准则 3.5.3 线性不可分时的SVM之一软间隔支持向量机 3.5.4 线性不可分时的SVM之二非线性支持向量机 3.6 算法实例演示:支持向量机 4.1.1 逆概率推理与贝叶斯公式 4.1.2 贝叶斯分类的原理 4.1.3 几种常用的贝叶斯分类器 4.1.4 正态分布下的贝叶斯分类 4.1.5 贝叶斯分类的错误率 4.2.1 贝叶斯分类器的训练 4.2.2 极大似然估计和贝叶斯估计 4.3 算法实例演示:贝叶斯分类器 4.4.1 最近邻规则和最近邻分类器 4.4.2 K近邻算法及其优化 4.5 算法实例演示:最近邻算法 5.1.1 特征降维的主要方法 5.1.2 类别可分性度量 5.2.1 特征提取算法 5.2.2 特征选择算法 6.1.1 数据聚类的定义 6.1.2 数据聚类的特点 6.1.3 数据聚类的应用 6.1.4 数据聚类的流程 6.2.1 试探法聚类 6.2.2 层次法聚类 6.2.3 动态聚类算法 6.3 算法实例演示:k均值聚类 7.1.1 组合分类器的概念 7.1.2 组合分类器的主要类型 7.2.1 随机森林算法 7.2.2 Adaboost算法 7.3 算法实例演示:Adaboost 7.4 算法实例演示:随机森林 8.1.1 模糊集合的定义及基本运算 8.1.2 模糊关系及模糊矩阵 8.2.1 模糊模式识别的算法体系 8.2.2 最大隶属度识别法 8.2.3 择近原则识别法 8.2.4 模糊聚类算法 8.3 算法实例演示:模糊k均值聚类 9.1.1 人工神经元模型 9.1.2 人工神经元网络 9.1.3 人工神经元的学习规则 9.1.4 人工神经网络的学习规则 9.2.1 感知器网络 9.2.2 BP网络 9.3 算法实例演示:BP算法 9.4.1 深度学习的概念与特点 9.4.2 深度信念网络的结构 9.4.3 深度信念网络的训练 9.4.4 卷积神经网络的原理 9.4.5 卷积神经网络的结构与训练 9.5 算法实例演示:CNN 10.1.1 结构模式识别的基本概念 10.1.2 结构模式识别的主要方法 10.2.1 形式语言理论的基本概念 10.2.2 四种文法类型 10.3 句法分析方法 10.4 算法实例演示:句法识别