《人工智慧之模式識別》是北京理工大學提供的慕課課程，授課老師是高琪、李位星、馮肖雪。
基本介紹
- 中文名：人工智慧之模式識別
- 提供院校：北京理工大學
- 類別：慕課
- 授課老師：高琪、李位星、馮肖雪
課程大綱,預備知識,
課程大綱
01
課程導論
學習目標：理解模式識別的定義，了解課程學習目標、學習內容和學習方法，激發學習動力和學習興趣。
課時
1.1 什麼是模式識別？
1.2 課程學習導引
02
模式識別系統
學習目標：1. 理解模式識別的基礎概念：包括特徵與特徵空間、有監督學習與無監督學習、緊緻性、維數災難、泛化能力與過擬合；2. 理解模式識別系統的一般結構，並理解各個環節的主要任務；3. 了解模式識別算法體系的全貌，理解算法之間的邏輯關係；4. 了解貫穿本課程的工程案例的主要任務和數據內容；5. 能夠通過編程實現模板匹配算法來解決簡單的模式識別問題。
課時
2.1 模式識別的基本概念
2.2 模式識別的算法體系
2.3 第一個模式識別算法實例
2.4 算法實例演示：模板匹配
03
線性分類器
學習目標：1. 理解線性分類器的基本原理：包括線性判別和廣義線性判別，多分類線性判別函式和線性判別函式的幾何意義；2. 理解線性分類器訓練的一般思路；3. 理解感知器算法的原理，並能編程實現感知器算法去求解線性分類器；4. 理解LMSE算法的原理；5. 理解支持向量機的原理，並能編程實現支持向量機去解決簡單的模式識別問題；6. 能夠運用結構風險最小化準則對模式識別算法的泛化能力進行分析。
課時
3.1 線性判別
3.2 感知器算法
3.3 算法實例演示：線性分類器
3.4 LMSE算法
3.5 支持向量機SVM
3.6 算法實例演示：支持向量機
04
貝葉斯分類器
學習目標：1. 理解貝葉斯分類器的原理，並能夠編程實現貝葉斯分類器；2. 理解最近鄰算法的原理，並能夠編程實現KNN算法。
課時
4.1 貝葉斯分類器
4.2 貝葉斯分類器的訓練
4.3 算法實例演示：貝葉斯分類器
4.4 最近鄰算法
4.5 算法實例演示：KNN算法
05
特徵降維
學習目標：1. 理解特徵降維的基本概念；2. 理解特徵降維的主要方法，並能夠在解決模式識別問題的過程中加以套用。
課時
5.1 特徵降維的基本概念
5.2 特徵降維算法
06
聚類算法
學習目標：1. 理解數據聚類的基本概念、特點和聚類算法的一般流程；2. 理解常用數據聚類算法的原理，包括試探法聚類、層次法聚類和動態聚類；3. 能夠編程實現k均值聚類算法，並用於解決具體的模式識別問題。
課時
6.1 什麼是數據聚類？
6.2 主要聚類算法
6.3 算法實例演示：k均值聚類
07
組合分類器
學習目標：1. 理解組合分類器的原理；2. 理解Adaboost算法和隨機森林算法的基本原理，並能夠編程實現這兩種算法來解決模式識別問題。
課時
7.1 組合分類器的原理
7.2 典型的組合分類算法
7.3 算法實例演示：Adaboost算法
7.4 算法實例演示：隨機森林算法
08
模糊模式識別
學習目標：1. 理解與模糊模式識別相關的模糊數學基礎知識；2. 理解常見模糊模式識別算法的基本原理；3. 能夠編程實現模糊k均值算法，並用於解決模式識別問題。
課時
8.1 模糊模式識別的基礎知識
8.2 模糊模式識別算法
8.3 算法實例演示：模糊k均值算法
09
神經網路分類器
學習目標：1. 理解人工神經元網路的基本概念和用於模式識別的基本原理；2. 理解BP算法的原理，並能夠編程實現BP算法；3. 理解深度學習的基本思想和主要算法的基本原理；4. 能夠利用已有平台編程實現卷積神經網路，並用於解決模式識別問題。
課時
9.1 人工神經元網路的基本概念
9.2 淺層神經網路算法
9.3 算法實例演示：BP算法
9.4 深度學習算法
9.5 算法實例演示：CNN算法
10
結構模式識別
學習目標：1. 理解結構模式識別的基礎概念和基本原理；2. 理解與句法模式識別相關的形式語言理論基礎知識；3. 理解句法分析方法，並能夠通過編程實現來解決簡單的結構模式識別問題。
課時
10.1 結構模式識別原理
10.2 形式語言理論基礎
10.3 句法分析方法
10.4 算法實例演示：句法識別方法
預備知識
線性代數、機率論與數理統計的基礎知識。
