模式识别是一门应用性极强的学科，主要研究如何用计算机对模式进行辨识和分类的理论和方法，包括模式信息获取、模式特征提取和选择、模式分类与识别等。

模式识别课程使学生了解模式识别的基本概念、基本理论、基本算法和应用方法，理解模式识别的研究内容、研究方向和方法，掌握并实现模式识别的基本算法，并能够应用这些方法解决具体的模式识别问题，如数据分类、图像分类、文本分类、人脸识别以及其他领域。通过本课程的学习，使学生具有扎实的数学基础，了解和学习本领域的最新技术知识和技术成果，具备收集、分析、判断、归纳国内外最新技术信息的能力，开拓学生视野，激发学生学习兴趣，培养良好的科学素质。

本课程的学习环节包含：观看讲课视频并参与讨论、完成单元测试、完成实验作业、参加期末考试。

1. 成绩构成：观看课程视频并参与讨论占20%，单元测试10%，完成实验作业并上传20%，期末考核50%；

2. 单元测试的题型以选择题、填空题、判断题等客观题型为主；

3. 实验作业以算法及程序设计题目为主；

4. 期末考试题型以问答题和计算题为主，根据课程教学大纲和授课内容来确定考试范围和考试要求；

成绩分为三级计分制：分别为优秀、合格、不合格；85分至100分为优秀，可获得优秀证书；总评成绩60分至84分为合格，可获得合格证书。

先修课程：《数学分析》、《线性代数》，《概率论与数理统计》，《MATLAB程序设计》

课程概述

课程介绍

教学大纲

课程教学日历

课程团队介绍

第一章 模式识别概论

1-1 模式及模式识别

1-2 模式识别系统

第一章 习题

模式识别发展前景

第一章 习题

第二章 贝叶斯决策理论

2-4 正态分布及性质回顾

2-5 基于最小错误的正态分布的贝叶斯分类

拓展学习- 贝叶斯网络

本章课程难点和重点

本章课程导学

2-1 贝叶斯判别理论概述

2-2 基于最小错误率的贝叶斯分类

2-3 基于最小风险的贝叶斯决策

贝叶斯决策理论章节作业

贝叶斯决策分析单元测试

第三章 概率密度函数的估计

第一节 介绍和最大似然估计

第二节 贝叶斯估计

第三节 概率密度的非参数估计

本章课程导学

概率密度函数估计-Parsen窗函数法

第四章 线性分类器

第四章课程 导学

4-1 线性判别函数的基本概念

4-2-1 Fisher 判别分析——基本参量

4-2-2 Fisher判别分析——准则函数

4-3 感知器准则

4-3-2 感知器准则例子

4-4 线性支持向量机-基本概念

4-4 线性支持向量机-分类器

本章重点和难点

4-5 最小平方误差判别

线性分类器作业

第四章 线性分类器

第五章 非线性分类器

第五章 课程导学

5-1 分段线性分类器

5-2 非线性支持向量机

5-3 非线性分类器——神经网络（1）

5-3 非线性分类器——神经网络（2）

本章重点和难点

神经网络BP算法证明推导

第六章 近邻法

6-1 近邻法

6-2 改进近邻法——剪辑近邻法

本章重点和难点

近邻法作业

决策树作业

第七章 特征选择和特征提取

第七章 课程导学

7-1 特征选择

7-2 K-L变换

7-3 K-L变换在人脸识别中的应用

7-2 主成分分析

拓展学习——非线性特征提取

本章重点和难点

特征选择作业

第八章　非监督学习

第八章　课程导学

8-1 基于模型的聚类法

8-2 动态聚类法——Kmeans方法

8-3 层次聚类法

本章重点和难点

1.  《模式识别》第三版，张学工主编，2010年8月，清华大学出版社；

2.《模式识别》第四版，张学工主编， 2021年 9月，清华大学出版社；

3. 《机器学习》，周志华主编，2016年1月，清华大学出版社；

4. 《模式识别与智能计算：Matlab技术实现》，杨淑莹主编，2008年1月，电子工业出版社

Q :  这门课程是不是理论性很强，是不是特别难学？

A :  这门课程的综合性比较强，涉及的知识非常广泛，但是课堂教学从实例出发，注重问题的分析、建模和优化，理论求解部分要求相对较弱，因此对于大部分具有一定数学基础的学生来说都可以听懂。

Q :  这门课程需要很强的编程能力吗？

A :  这门课程需要理解和掌握的算法比较多，学会用MATLAB或Python来解决算法的实现和编程是必要的，起步上手相对比较容易，MATLAB或Python有一些可以直接使用的工具箱或包，也有很多代码是可以直接使用的，所以关键在于理解和掌握。复杂的问题的求解需要高一些的编程能力，这些可以在学习过程中积累和提高。