(最新整理)研究生《模式识别与机器学习》教学大纲--学位课

1、(完整)研究生模式识别与机器学习教学大纲-学位课(完整)研究生模式识别与机器学习教学大纲-学位课 编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（(完整)研究生模式识别与机器学习教学大纲-学位课）的内容能够给您的工作和学习带来便利。同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快 业绩进步，以下为(完整)研究生模式识别与机器学习教学大纲-学位课的全部内容。9模式识别与机器学习教

2、学大纲patternrecognitionand machine learning第一部分 大纲说明1。 课程代码:2。 课程性质：学位必修课3。 学时/学分：40/34。 课程目标：模式识别与机器学习研究计算机识别物体的机理，该课程的学习将为数据分析与处理以及人工智能等领域的学习打下基础。本课程主要分为两大部分,第一部分主要介绍模式识别,包括模式识别的基本概念、基本原理、典型方法、实用技术以及有关研究的新成果，其目的是使学生掌握模式识别的基本概念和基本原理，了解模式识别在图像分析、语音识别和音频分类等领域的具体应用、存在的问题和发展前景.第二部分主要介绍机器学习，包括多项式回归、正则方程、逻

3、辑回归、神经网络、深度置信网络、卷积神经网络等，通过教学使学生掌握机器学习的基础理论，以及无监督学习和强化学习等；熟悉常见机器学习的常用算法，以及算法的主要思想和运用方法,并通过编程实践和典型应用实例加深了解。5。 教学方式:课堂讲授、自学与讨论、课堂上机与实例项目相结合6。 考核方式：考试7. 先修课程：概率论、数字信号处理8. 本课程的学时分配表序号教学内容理论学时实验课时课堂讨论学时课外自学学时1上篇第一章:绪论212第二章：基于贝叶斯决策理论的分类器 213第三章：分类器 314第四章：特征选择与特征生成 525第五章：监督模式识别216第六章：聚类算法227第七章：模式识别的具体应用

4、218第八章：模式识别前沿技术介绍和讨论229下篇第一章:机器学习概论2110第二章：线性回归11211第三章:逻辑回归11212第四章:聚类和降维 11213第五章：支持向量机11214第六章：神经网络11215第七章:深度置信网络11216第八章：卷积神经网络11217第九章：机器学习系统11218第十章：应用实例1119。 教材及教学参考资料：（一)教材：模式识别第4版，sergios t等编，电子工业出版社 边肇祺,张学工等编著，机器学习,peter flach。 人民邮电出版社， 2016.(二)教学参考资料：1模式分类 （英文版第2版）， richard o等编，机械工业出版社2模

5、式识别导论，范九伦等编，西安电子科技大学出版社3模式识别第2版，边肇祺等编,清华大学出版社4神经网络与机器学习（英文版第3版）。 haykin s。 机械工业出版社5deep learning。 ian goodfellow， yoshua bengio and aaron courville。 mit press第二部分 教学内容和教学要求上篇 模式识别第一章 绪论教学内容：1.1模式与模式识别1。2模式识别的主要方法1。3监督模式识别与非监督模式识别1。4模式识别系统举例1。5模式识别系统的典型构成教学要求：了解模式识别的相关常识与概念,以及一些常用的研究方法。第二章 基于贝叶斯决策理论的

6、分类器教学内容： 2。1最大似然估计2.2贝叶斯决策理论2。3正太分布的贝叶斯分类2.4最近邻规则教学要求：充分理解最大似然估计、贝叶斯估计的理论.第三章 分类器教学内容：3.1线性判别函数3。2最小平方误差判别3。3最小二乘法3。4支持向量机3.5隐马尔科夫模型,高斯混合概率模型教学要求：理解线性判别函数的基本概念并掌握其性质,理解最小平方误差判别、最小二乘法和支持向量机；熟练掌握隐马尔科夫模型、高斯混合概率模型的基础理论，掌握他们的工作机理以及对应模型在模式识别过程中的优缺点。第四章 特征选择与特征生成教学内容：4。1特征提取方法4。2特征选择的原则与方法4.3奇异值分解4。4主成分分析4

7、。5非负矩阵因子分解教学要求：熟练掌握特征提取与选择的基本概念、掌握类别可分性测度的方法，了解特征选择的准则，掌握特征选择的方法;熟练掌握特征生成的基本方法、掌握svd、pca、nmf、dct、dtwt的基本原理.第五章 监督模式识别教学内容：5.1误差计算方法5。2数据集影响5.3半监督学习教学要求：了解模型的方法，掌握不同误差算法在识别过程中的应用。第六章 聚类算法教学内容：6.1聚类算法的分类6。2顺序聚类算法6。3合并算法6。4分裂算法教学要求:了解各种聚类算法的基本概念、理解常用聚类算法的工作原理。第七章 模式识别的具体应用教学内容:7.1音频识别7。2数字图像识别教学要求:根据模式

8、识别在音频和图像处理领域的应用，了解并掌握课程内容在实际领域的应用和具体实现方式。 第八章 模式识别前沿技术介绍和讨论教学内容：以当前模式识别技术的最新发展为背景，选定几个研究热点，对其实现的关键技术、应用现状及面临的问题进行分组专题报告及课堂讨论。教学要求：对选定的模式识别领域进行了解、讲述技术的原理、应用现状、讨论在现领域的研究热点及面临的问题和可能的解决方案。下篇 机器学习第1章 机器学习概论教学内容:1.1 引言1。2 监督学习1。3 非监督学习教学要求：了解机器学习的基本概念，掌握监督学习和非监督学习的分类和应用。第2章 线性回归教学内容：2.1 单变量回归2.2 多变量回归2。3

9、代价函数教学要求:了解线性回归的基本概念，掌握单变量回归、多变量回归的模型构建及代价函数表达。熟悉模型的使用及代价函数的求解方法。第3章 逻辑回归教学内容：3.1 建模方法3.2 多类分类3。3 代价函数教学要求：了解逻辑回归的基本概念，掌握逻辑回归的应用,多类分类方法的建模及代价函数的表达。熟悉模型的使用及代价函数的求解方法。第4章 聚类和降维教学内容：4。1 聚类4。2 降维4。3 主成分分析教学要求：了解聚类、降维和主成分分析的基本概念.掌握k-均值算法、数据压缩、数据可视化以及主成分分析的应用。熟悉掌握聚类、降维和主成分分析运用的方法。第5章 支持向量机教学内容：5.1 优化目标5.2

10、 判定边界5。3 核函数教学要求：了解复杂的非线性问题的定义,及支持向量机的基本概念。通过对逻辑回归在解决复杂非线性问题的局限性分析,熟悉支持向量机的优化目标、判定边界及核函数的使用.第6章 神经网络教学内容：6。1 神经网络概述6.2 模型表达6。3 代价函数教学要求:了解神经网络的基本概念，以及神经网络的模型表达。熟悉正向传播、方向传播和梯度检验的应用. 第7章 深度置信网络教学内容：7.1 rbm7.2 dbn7.3 训练算法教学要求：了解rbm、dbn的基本概念和关系。熟悉dbn网络的应用和训练方法。 第8章 卷积神经网络教学内容：8。1 卷积8。2 池化8.3 训练算法教学要求：了解人类视觉系统的构成及卷积池化的基本概念和关系.熟悉cnn网络的应用和训练方法第9章 机器学习系统教学内容：9.1 系统设计9.2 误