课程概述

模式识别是一门与人工智能密切相关的专业课，本课程主要系统介绍模式识别的基本理论和方法，包括：模式识别的基本理论、监督模式识别中常用的线性和非线性分类器、非监督模式识别的分类器设计方法以及特征选择和提取的方法、分类器的评价方法等。模式识别作为一门实践性很强的学科，授课的时候采用算法的理论讲解和实验演示相结合的方法来进行。通过本课程的学习，不仅可以系统掌握模式识别的基本知识、理论和方法，了解模式识别的发展趋势和应用领域，还能够为将来进一步深入学习和研究模式识别和人工智能打下坚实的基础，帮助我们提高解决工程问题的能力。


证书要求

为积极响应国家低碳环保政策， 2021年秋季学期开始，中国大学MOOC平台将取消纸质版的认证证书，仅提供电子版的认证证书服务，证书申请方式和流程不变。

 

电子版认证证书支持查询验证，可通过扫描证书上的二维码进行有效性查询，或者访问 https://www.icourse163.org/verify，通过证书编号进行查询。学生可在“个人中心-证书-查看证书”页面自行下载、打印电子版认证证书。

 

完成课程教学内容学习和考核，成绩达到课程考核标准的学生（每门课程的考核标准不同，详见课程内的评分标准），具备申请认证证书资格，可在证书申请开放期间（以申请页面显示的时间为准），完成在线付费申请。

 

认证证书申请注意事项：

1. 根据国家相关法律法规要求，认证证书申请时要求进行实名认证，请保证所提交的实名认证信息真实完整有效。

2. 完成实名认证并支付后，系统将自动生成并发送电子版认证证书。电子版认证证书生成后不支持退费。


预备知识

具有一定的数学基础，掌握了线性代数以及概率论与数理统计两门课程涉及到的知识，如果有人工智能的相关基础就更好了！

授课大纲

第一章 绪论

第一讲 模式与模式识别

第二讲 模式识别的主要方法

第三讲 模式识别系统的应用举例

第四讲 模式识别系统的典型构成

第一章绪论部分的单元测试

第二章 贝叶斯决策理论

第一讲 贝叶斯决策基础

第二讲 基于最小错误率的贝叶斯决策

第三讲 基于最小风险的贝叶斯决策

第四讲 贝叶斯分类器的设计

第五讲 正态分布时的统计决策

第六讲 matlab代码演示实例

贝叶斯决策理论测试（一）

第三章 概率密度函数的估计

第一讲 最大似然估计

第二讲 贝叶斯估计

第三讲 贝叶斯学习

概率密度函数的估计的单元测试

第四章 线性分类器

第一讲 引言

第二讲 线性判别函数的基本概念

第三讲 Fisher线性判别

第四讲 Fisher线性判别matlab演示

第五讲 感知器算法

第六讲 感知器算法实例

第七讲 感知器算法matlab演示

第八讲 最小平方误差判别

关于感知器算法和最小平方误差判别的测验

关于fisher线性判别准则的测验

第五章 非线性分类器

第一讲 分段线性判别函数

第二讲 二次判别函数

第三讲 神经网络的基础知识和BP神经网络

第四讲 神经网络参数的确定

第五讲 多层神经网络在模式识别中的应用方法

第六讲 BP神经网络的matlab实例

单元测试（一）

单元测试（二）

单元测试（三）

第六章 其他分类方法

第一讲 近邻法原理

第二讲 快速搜索近邻法

第三讲 剪辑近邻法

第四讲 压缩近邻法

近邻法的测试

第七章 决策树

第一讲 决策树

第二讲 id3算法

第三讲 随机森林

决策树的测试

第八章 非监督模式识别

第一讲 动态聚类方法

第二讲 分级聚类方法

非监督模式识别测试题

第九章 特征选择和特征提取

第一讲 特征选择和提取的基本概念

第二讲 特征选择的判据

第三讲 特征选择的最优和次优算法

第四讲 特征提取的PCA算法

第五讲 K-L变换

第六讲 特征提取的matlab演示实例

特征选择的测试题目

特征提取的单元测试


大数据时代的保密教育

保密传统教育微视频

参考资料

[1] 张学工《模式识别》（第3版），清华大学出版社，2010年。

[2] Richard O.Duda,PeterE.Hart,DavidG.Stork 著，李宏东 姚天翔等译，《模式分类》 (原书第2版), 机械工业出版社，2000年。

[3] 杨杰 郭志强《模式识别及MATLAB实现》，电子工业出版社，2017年。

[4]郭志强 杨杰《模式识别及MATLAB实现--学习与实验指导》, 电子工业出版社，2017年。

[5] 孙即祥《现代模式识别》，国防科技大学出版社，2001年

[6]周志华 《机器学习》 ，清华大学出版社，2016年