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