第一講 模式識(shí)別簡(jiǎn)介

1.1 什么是模式識(shí)別

1.2 為什么要模式識(shí)別

1.3 怎樣來(lái)進(jìn)行模式識(shí)別

1.4 模式識(shí)別的現(xiàn)實(shí)案例舉例

第二講 貝葉斯決策

2.1 最小錯(cuò)誤率貝葉斯決策

2.2 最小風(fēng)險(xiǎn)錯(cuò)誤率貝葉斯決策

2.3 ROC曲線

2.4 貝葉斯決策在語(yǔ)音識(shí)別中的應(yīng)用案例

第三講 樸素貝葉斯決策

3.1為什么要引入樸素貝葉斯決策

3.2 如何進(jìn)行樸素貝葉斯決策

3.3 樸素貝葉斯在文本識(shí)別中的應(yīng)用案例

第四講 線性分類器

4.1 線性分類器是什么

4.2 Fisher線性判別的動(dòng)機(jī)

4.3 Fisher線性判別的內(nèi)涵是什么

4.4 Fisher線性判別在人臉檢測(cè)中的應(yīng)用案例

第五講 人工神經(jīng)網(wǎng)絡(luò)

5.1 人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)動(dòng)機(jī)是什么

5.2 單個(gè)神經(jīng)元的功能

5.3人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化以及誤差逆?zhèn)鞑ィ˙P）算法

5.4人工神經(jīng)網(wǎng)絡(luò)中需要注意的問(wèn)題

5.5 人工神經(jīng)網(wǎng)絡(luò)在表情識(shí)別、流量預(yù)測(cè)中的應(yīng)用案例

第六講 最優(yōu)分類面和支持向量機(jī)（SVM）

6.1 什么是最優(yōu)分類面

6.2 SVM的本質(zhì)是什么

6.3 SVM線性不可分時(shí)怎么辦

6.4 SVM中核函數(shù)如何選擇

6.5 SVM在車牌識(shí)別中的應(yīng)用案例

第七講 非線性分類器

7.1 什么時(shí)候使用非線性分類器

7.2 如何設(shè)計(jì)非線性分類器

7.3 非線性分類器在光學(xué)字符識(shí)別中的應(yīng)用案例

第八講 近鄰法

8.1 近鄰法的思想是什么

8.2 近鄰法的缺點(diǎn)以及改進(jìn)方案

8.3 近鄰法中的過(guò)學(xué)習(xí)問(wèn)題及解決方案

8.4 近鄰法在相親網(wǎng)站中的應(yīng)用案例

第九講 決策樹(shù)

9.1 什么是非數(shù)值特征

9.2 為什么要引入決策樹(shù)

9.3 如何設(shè)計(jì)決策樹(shù)

9.4 如何構(gòu)造隨機(jī)森林

9.5 決策樹(shù)在醫(yī)療系統(tǒng)中的應(yīng)用案例

第十講 Boosting

10.1 什么是Boosting算法

10.2 為什么要Boosting

10.3 如何Boosting

10.4 介紹Boosting算法典型代表Adaboost

10.5 Adaboost在人臉檢測(cè)中的應(yīng)用案例

第十一講 特征選擇

11.1 為什么要特征提取和特征選擇

11.2 特征選擇的最優(yōu)算法

11.3 特征選擇的次優(yōu)算法

11.4 特征選擇的遺傳算法

11.5 特征選擇在優(yōu)化系統(tǒng)中的應(yīng)用

第十二講 特征提取

12.1 特征提取的一般性方法

12.2 主成分分析

12.3 主成分分析在扭曲指紋識(shí)別中的應(yīng)用案例

12.4 K-L變換

12.5 K-L變換在人臉識(shí)別中的應(yīng)用案例

第十三講 非監(jiān)督學(xué)習(xí)方法

13.1 什么是非監(jiān)督學(xué)習(xí)？

13.2 單峰子集法

13.3 C均值方法

13.4 模糊C均值方法和改進(jìn)的模糊C均值方法

13.5 非監(jiān)督學(xué)習(xí)方法在石油勘探中的應(yīng)用案例