模式識別與機器學習培訓

01
第一章 模式識別基本概念

1.1 什么是模式識別
1.2 模式識別數學表達
1.3 特征向量的相關性
1.4 機器學習基本概念
1.5 模型的泛化能力
1.6 評估方法與性能指標
02
第二章 基于距離的分類器

2.1 MED分類器
2.2 特征白化
2.3 MICD分類器
03
第三章 貝葉斯決策與學習

3.1 貝葉斯決策與MAP分類器
3.2 MAP分類器：高斯觀測概率
3.3 決策風險與貝葉斯分類器
3.4 大似然估計
3.5 大似然的估計偏差
3.6 貝葉斯估計（1）
3.7 貝葉斯估計（2）
3.8 KNN估計
3.9 直方圖與核密度估計
04
第四章 線性判據與回歸（一）

4.1 線性判據基本概念
4.2 線性判據學習概述
4.3 并行感知機算法
4.4 串行感知機算法
4.5 Fisher線性判據
4.6 支持向量機基本概念
4.7 拉格朗日乘數法
4.8 拉格朗日對偶問題
4.9 支持向量機學習算法
05
第四章 線性判據與回歸（二）

4.10軟間隔支持向量機
4.11線性判據多類分類
4.12線性回歸
4.13邏輯回歸的概念
4.14邏輯回歸的學習
4.15Softmax判據的概念
4.16Softmax判據的學習
4.17核支持向量機
06
第五章 神經網絡

5.1 神經網絡的概念
5.2 BP算法
5.3 深度學習