《模式识别》课程教学大纲

《模式识别》教学大纲课程名称：模式识别（patternrecognition）课程编码：1502ZY157课程类别：专业基础-选修学分：3分总学时：48学时，其中，授课学时：40学时；上机学时：8学时适用专业：人工智能专业先修课程：高等数学、python程序设计、数字图像处理涂继辉涂继辉一．课程性质本课程是人工智能专业的专业选修课，是研究计算机模式识别的基本理论、方法和应用。本课程的教学目的是，通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。二．课程目标(一)育人目标“不忘初心，牢记使命”。从培养学生的辩证思维方式，爱国教育、社会责任、人生领悟、民族自信等方面入手，将育人要素和信号与系统专业知识嵌入到课堂中教学，凝聚学生对社会主义核心价值观的共识。通过科学家故事学习科学精神，通过课程概念原理学习系统论、工程论、科学思维，利用模式识别实际应用研究学习科技自信及爱国主义情怀，师生互动进行“三观”教育和学习方法指导，培养学生的专业素质和职业道德，全面提高学生缘事析理、明辨是非的能力，培养学生成为德才兼备、全面发展的人才。(二)知识和能力目标掌握模式识别的基本概念、基本原理和基本方法，能够在后续课程的学习和之后的工作中灵活应用这些理论、知识与方法解决可能遇到的问题（毕业要求1.2）;通过以上知识点的学习，让学生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题（毕业要求2.2）。课程目标与毕业要求指标点对应关系课程目标毕业要求指标点课程目标11.2了解模式识别的基本概念、基本原理和基本方法等理论基础知识，了解模式识别的知识体系结构和应用领域，培养学生的专业兴趣。课程目标22.2通过以上知识点的学习，让学生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题；三、基本要求通过对本课程的学习，要求学生了解以下知识点：模式与模式识别的基本概念和原理、统计决策方法基本方法以及应用、概率密度函数的估计方法以及应用、线性分类器方法以及应用、非线性分类器方法以及应用、特征选择方法以及应用、特征提取、非监督模式识别、模式识别系统的评价等。通过以上知识点的学习，让学生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题。四、课程教学内容与学时分征选择和特征提取4课堂授课，课堂讨论、课程目标1/27非监督模式识别4课堂授课，课堂讨论、课程目标1/28模式识别系统的评价4课堂授课，课堂讨论、课程目标1/2概论(2学时)模式与模式识别模式识别的主要方法监督模式识别与非监督模式识别模式识别系统举例模式识别系统的典型构成统计决策方法(4学时)引言：一个简单的例子最小错误率贝叶斯决策最小风险贝叶斯决策两类错误率、neyman-pearson决策与roc曲线正态分布时的统计决策错误率的计算离散概率模型下的统计决策举例概率密度函数的估计(2学时)引言最大似然估计贝叶斯估计与贝叶斯学习概率密度估计的非参数方法线性分类器(4学时)引言线性判别函数的基本概念fisher线性判别分析感知器最小平方误差判别最优分类超平面与线性支持向量机多类线性分类器非线性分类器(4学时)引言分段线性判别函数二次判别函数多层感知器神经网络支持向量机核函数机器特征选择和特征提取(8学时)引言特征的评价准则特征选择的最优、次优和遗传算法以分类性能为准则的特征选择方法基于类别可分性判据的特征提取主成分分析方法karhunen-loeve变换k-l变换在人脸识别中的应用举例高维数据的低维显示多维尺度法非线性变换方法简介非监督模式识别(4学时)引言基于模型的方法混合模型的估计动态聚类算法模糊聚类方法分级聚类方法自组织映射神经网络模式识别系统的评价(4学时)监督模式识别方法的错误率估计有限样本下错误率的区间估计问题特征提取与选择对分类器性能估计的影响从分类的显著性推断特征与类别的关系非监督模式识别系统性能的评价五、教学方法本课程采用理论教学与课堂、课后习题等相结合的教学方式方法，主要教学环节包括课堂教学、课堂讨论和课后习题练习以及课后自学。课堂教学课堂教学以“互动式”方法为主导，在这一教学环节，学生以听课为主，并适当参与讨论。教师主要讲授课程的基本概念、基本理论和基本方法。同时，有意识设计一些讨论性问题，引导学生运用已有的知识进行思考。考虑到本课程涉及内容多，故采用多媒体教学手段，以提高课堂效率。课堂讨论和课后实践课后对于本课程中主要知识点，布置适当实际应用案例，让学生在课后分组完成，并让学生将完成的结果拿到课堂进行讲解和讨论，使学生进一步理解和巩固课程所学的基本概念、基本理论和方法。精选讲课内容，精讲重点难点，安排同学自学易于理解的内容，以培养学生自主学习的意识和能力以及抓住要点的能力。六、考核及成绩评定方式1．考核标准与成绩评定课程考核包括课堂考勤、讨论发言和课后作业三个部分。平时成绩（百分制），包括课堂讨论与测验、作业等。平时成绩评价标准基本要求评价标准优秀（0.9-1）良好（0.7-0.89）合格（0.6-0.69）不合格（0-0.59）掌握模式识别的基本概念、熟练掌握模式识熟练掌握模式识熟练掌握模式识了解掌握模式识基本的知识点、相关应用和别的基本概念、别的基本概念、别的基本概念、别的基本概念、发展前景，并能利用python基本的知识点、基本的知识点、基本的知识点、基本的知识点、开发语言和相应开发库完相关应用，并能相关应用，并能相关应用，了解相关应用，不能成一些实践案例利用python开发利用python开发利用python开发利用python开发语言和相应开发语言和相应开发语言解决实际问语言和相应人工库完成一些实践库完成较为基础题的流程智能开发库完成案例的实践案例一些实践案例课程期末考试考核内容与评价标准基本要求评价标准比例（%）优秀（0.9-1）良好（0.7-0.89）合格（0.6-0.69）不合格（0-0.59）目标1掌握模式识别的基本概念、基本的知识点、相关应用。熟练掌握模式识别的基本概念、基本的知识点、相关应用。较为熟练掌握模式识别的基本概念、基本的知识点、相关应用。了解掌握模式识别的基本概念、基本的知识点、相关应用。没有掌握模式识别的基本概念、基本的知识点、相关应用。60目标2能利用python开发语言和相应开发库完成一些实践案例熟练利用python开发语言和相应开发库完成一些实践案例较为利用python开发语言和相应开发库完成一些实践案例了解利用python开发语言和相应开发库完成一些实践案例的流程不能利用python开发语言和相应开发库完成一些实践案例40注：该表格中的比例为期末成绩评定方案。成绩评定为：考勤*30%+平时作业*70%。2．课程目标达成评价表2《模式识别》课程目标达成评价分析报告一、课程基本信息课程名称模式识别课程性质专业限选课学时学分32/2开课学期专业班级考核方式考查任课教师：评价人员：课任老师二、课程目标达成评估课程目标支撑指标点课程目标评价数据源评价依据分值平均分达成度值KMi评价方式毕业要求1.2掌握模式识别的基本概念、基本的知识点、相关应用。目标1：掌握模式识别的基本概念、基本的知识点、相关应用。期末考查：模式识别的基本概念、基本理论（60分）T10=60试题构成说明T1=40*0.7+*0.3=0.71平时作业A10=100A1=81毕业要求2.2能利用python开发语言和相应开发库完成一些实践案例目标2：能利用python开发语言和相应开发库完成一些实践案例期末考查：（1）能利用python开发语言和相应开发库完成一些实践案