教育教学

相关链接:

教室安排

课程信息

当前位置: 首页 > 教育教学 > 研究生教育 > 课程信息

模式识别与机器学习  091M4042H

学期:2016-2017学年秋 | 课程属性:专业核心课 | 任课教师:黄庆明等
课程编号: 091M4042H 课时: 60 学分: 3.0
课程属性: 专业核心课 主讲教师:黄庆明等
英文名称: Pattern Recognition and Machine Learning

教学目的、要求

本课程为计算机应用技术学科研究生的专业核心课课,同时也可作为计算机其它专业及电子、自动化等学科研究生的专业普及课。本课程将讲述模式识别与机器学习的基本概念、基本理论和方法、关键算法原理以及典型应用情况。主要内容包括统计判别、判别函数、特征选择、句法模式识别、有监督学习、支持向量机、无监督/半监督学习、图模型、集成学习、神经网络与深度学习以及人脸识别案例分析等。
    通过本课程的学习,希望学生能了解模式识别与机器学习前沿研究领域,了解相关理论与方法在计算机视觉等领域应用的最新研究成果,掌握基本思想和关键技术,培养学生在计算机视觉、模式识别和机器学习领域的研究能力。

预修课程

线性代数,概率论与数理统计,多元统计分析,最优化方法

教 材

1. R. Duda, P. Hart, D. Stork, Pattern Classification (Second edition), John Wiley & Sons, New York, USA, 2000. 2. Christopher M. Bishop (2006),Pattern Recognition and Machine Learning,Springer. 3. Trevor Hastie, Robert Tibshirani, and Jerome Friedman (2001),The Elements of Statistical Learning,Springer.

主要内容

第一章  绪论
1.1模式和模式识别的概念,,, 
1.2 模式识别简史和应用
1.3 模式识别的方法
1.4模式识别系统

第二章  统计判别
2.1 贝叶斯判别准则
2.2 最小风险判别
2.3 正态分布模式的贝叶斯分类器
2.4 均值向量和协方差矩阵的参数估计

第三章 判别函数
3.1 线性判别函数
3.2 广义线性判别函数
3.3 分段线性判别函数
3.4 模式空间和权空间
3.5 感知器算法 

第四章 特征选择和提取
4.1 模式类别可分性的测度
4.2 特征选择
4.3 离散K-L变换

第五章 句法模式识别
5.1 关系运算
5.2 形式语言基础
5.3 句法结构的自动机识别
5.4 利用形式语言的图形识别
5.5 基元提取
5.6 句法分析与文法推断

第六章 统计学习理论基础
6.1 统计判别准则
6.2 过拟合与正则化
6.3 偏差方差分解

第七章 有监督学习基础算法
7.1 线性回归与线性分类
7.2 判别式与产生式学习方法
7.3 逻辑回归与朴素贝叶斯方法
7.4 极大似然与最大后验方法

第八章 支持向量机
8.1 线性支持向量机
8.2 硬间隔最大化与软间隔最大化
8.3 对偶与凸化
8.4 核方法
8.5 结构支持向量机

第九章 无监督学习与半监督学习
9.1 聚类
9.2 层次聚类模型
9.3 EM算法
9.4 流形学习
9.5 协同训练
9.6 基于图的半监督方法

第十章 图模型基础(4)
10.1 条件独立性
10.2 有向图与无向图
10.3 马尔科夫随机场
10.4 隐马尔科夫模型

第十一章 集成学习
11.1 Bagging
11.2 Boosting
11.3 随机森林

第十二章 神经网络与深度学习
12.1 人工神经网络基础
12.2 前馈神经网络
12.3 反馈神经网络
12.4 受限玻尔兹曼机
12.5 自动编码机
12.6 卷积神经网络
12.7 递归神经网络

第十三章 典型应用案例
13.1 人脸检测与识别
13.2 文字检测与识别
13.3 图像识别与分类

参考文献

1.	J.P.Marques de Sa, Pattern Recognition Concepts, Methods and Applications, Springer, New York, USA, 2002.
2.	李航,统计学习基础,清华大学出版社,北京,2012.
3.	边肇琪等,《模式识别》(第二版),清华大学出版社,北京,2000.
4.	蔡元龙,《模式识别》,西北电讯工程学院出版社,西安,1985.

授课时间: 星期一, 第5、6、7节
授课地点: 教1-002
授课周次: 2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20

版权所有©中国科学院大学

地址:北京市怀柔区雁栖湖东路1号 邮编:101408