模式识别

课程介绍：

模式识别是利用机器模仿人脑对现实世界各种事物进行描述、分类、判断和识别的过程，是信息科学和人工智能的重要组成部分。模式识别与我们日常生活中所用到的智能技术息息相关，小到手机上的智能语音播报，指纹匹配和人脸识别，大到自动驾驶、医学检测、智能制造都用到了模式识别的相关算法和理论。

〖课程目录〗:

• | └──4、模式识别
• | | ├──{10}–第十章模式识别系统的评价
• | | | ├──{1}–第一讲监督模式识别中错误率的估计方法
• | | | ├──{2}–第二讲监督模式识别中的交叉验证及自举法
• | | | ├──{3}–第三讲影响分类器性能估计的其它因素
• | | | └──{4}–第四讲非监督模式识别系统性能的评价
• | | ├──{1}–第一章绪论
• | | | ├──{1}–第一讲模式与模式识别
• | | | ├──{2}–第二讲模式识别的主要方法
• | | | ├──{3}–第三讲模式识别系统的应用举例
• | | | └──{4}–第四讲模式识别系统的典型构成
• | | ├──{2}–第二章贝叶斯决策理论
• | | | ├──{1}–第一讲贝叶斯决策基础
• | | | ├──{2}–第二讲基于最小错误率的贝叶斯决策
• | | | ├──{3}–第三讲基于最小风险的贝叶斯决策
• | | | ├──{4}–第四讲贝叶斯分类器的设计
• | | | ├──{5}–第五讲正态分布时的统计决策
• | | | └──{6}–第六讲matlab代码演示实例
• | | ├──{3}–第三章概率密度函数的估计
• | | | ├──{1}–第一讲最大似然估计
• | | | ├──{2}–第二讲贝叶斯估计
• | | | └──{3}–第三讲贝叶斯学习
• | | ├──{4}–第四章线性分类器
• | | | ├──{1}–第一讲引言
• | | | ├──{2}–第二讲线性判别函数的基本概念
• | | | ├──{3}–第三讲Fisher线性判别
• | | | ├──{4}–第四讲Fisher线性判别matlab演示
• | | | ├──{5}–第五讲感知器算法
• | | | ├──{6}–第六讲感知器算法实例
• | | | ├──{7}–第七讲感知器算法matlab演示
• | | | └──{8}–第八讲最小平方误差判别
• | | ├──{5}–第五章非线性分类器
• | | | ├──{1}–第一讲分段线性判别函数
• | | | ├──{2}–第二讲二次判别函数
• | | | ├──{3}–第三讲神经网络的基础知识和BP神经网络
• | | | ├──{4}–第四讲神经网络参数的确定
• | | | ├──{5}–第五讲多层神经网络在模式识别中的应用方法
• | | | └──{6}–第六讲BP神经网络的matlab实例
• | | ├──{6}–第六章其他分类方法
• | | | ├──{1}–第一讲近邻法原理
• | | | ├──{2}–第二讲快速搜索近邻法
• | | | ├──{3}–第三讲剪辑近邻法
• | | | └──{4}–第四讲压缩近邻法
• | | ├──{7}–第七章决策树
• | | | ├──{1}–第一讲决策树
• | | | ├──{2}–第二讲id3算法
• | | | └──{3}–第三讲随机森林
• | | ├──{8}–第八章非监督模式识别
• | | | ├──{1}–第一讲动态聚类方法
• | | | └──{2}–第二讲分级聚类方法
• | | └──{9}–第九章特征选择和特征提取
• | | | ├──{1}–第一讲特征选择和提取的基本概念
• | | | ├──{2}–第二讲特征选择的判据
• | | | ├──{3}–第三讲特征选择的最优和次优算法
• | | | ├──{4}–第四讲特征提取的PCA算法
• | | | ├──{5}–第五讲K-L变换
• | | | └──{6}–第六讲特征提取的matlab演示实例

yeyudao普通

收藏 海报 链接