《现代模式识别》是人工智能领域的核心课程,致力于研究分类识别的理论与方法,具有高度的综合性和交叉性。课程内容涵盖代数学、矩阵论、最优化理论、信号处理等多学科知识,同时与工程实践紧密结合,是实现机器智能的关键技术手段。自20世纪70年代以来,该学科在学术界和应用领域取得了丰硕成果,形成了系统的理论体系。
本课程立足国家人工智能发展战略,聚焦智能数据分析与处理技术,旨在培养高素质创新型人才,服务产业与区域经济发展。通过讲授判别函数、统计决策、聚类分析等核心内容,帮助学生掌握数学工具与分类技术,提升实践与创新能力。课程强调理论与实践并重,培养学生研发智能分类系统的能力,为人工智能领域输送具备科研与工程能力的专业人才。
作为人工智能的重要分支,现代模式识别不仅是学术研究的前沿方向,更是推动智能技术落地的核心动力。本课程为学生奠定扎实的理论基础,同时激发创新思维,助力其在人工智能领域的发展与突破。
Overview
Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it
Syllabus
- 第一章 绪论
- 第二章 线性判别函数
- 2.2 线性判别函数
- 2.5 感知器算法
- 2.7 最小平方误差算法
- 第三章 非线性判别函数
- 3.1 非线性判别函数
- 3.2 势函数
- 第四章 基于贝叶斯理论的分类器
- 4.2 最小错误率贝叶斯分类器
- 4.3 最小风险贝叶斯分类器
- 4.4 正态分布下的贝叶斯分类器
- 4.5 贝叶斯分类器的错误率
- 4.6 聂曼-皮尔逊(Neyman-Person)决策
- 第五章 类条件概率密度函数的估计
- 5.1 极大似然函数估计
- 5.2 贝叶斯估计与贝叶斯学习
- 5.3 概率密度函数的非参数估计
- 第六章 聚类分析
- 6.2 聚类过程与相似性度量
- 第七章 神经网络
- 期末测试
Taught by
Xi’an University of Posts&Telecommunications