课程简介
本课程面向大学本科三年级以上学生或者具有先验课程基础的学生。
课程建立以经典推理决策为明线、前沿机器学习为暗线，有机嵌入高维微积分、矩阵分析、优化理论等高阶数学知识，难度螺旋递进的内容体系。通过学习，学生能够掌握模式识别过程与机器学习算法，并用以解决模式识别基本任务。构建知识图谱，促进学生吸收内化前沿的模型学习与分类决策算法，自主建构知识体系。切实提高机器学习算法的理解与应用，提升对新理论、新方法的研究与前瞻能力，以及正确解决工程问题的实践能力。
课程面向模式识别与机器学习领域的前沿知识，内容兼顾基本理论和应用实例，培养学生具备场景分析、编程实施、结果评价、方案优化的研究能力，能够解决多领域前沿挑战性问题。
课程大纲
知识图谱专栏
课程图谱查看链接
模式识别基本概念
1.1什么是模式识别
1.2模式识别数学表达
1.3特征向量的相关性
1.4机器学习基本概念
1.5模型的泛化能力
1.6评估方法与性能指标
基于距离的分类器
2.1MED分类器
2.2特征白化
2.3MICD分类器
课程思政案例1中华传统文化饱含的辩证思维
贝叶斯决策与学习
3.1贝叶斯决策与MAP分类器
3.2MAP分类器：高斯观测概率
3.3决策风险与贝叶斯分类器
3.4最大似然估计
3.5最大似然的估计偏差
3.6贝叶斯估计(1)
3.7贝叶斯估计(2)
3.8KNN估计
3.9直方图与核密度估计
模式识别与机器学习实践平台介绍
线性判据与回归(一)
4.1线性判据基本概念
4.2线性判据学习概述
4.3并行感知机算法
4.4串行感知机算法
4.5Fisher线性判据
4.6支持向量机基本概念
4.7拉格朗日乘数法
4.8拉格朗日对偶问题
4.9支持向量机学习算法
课程思政案例2感知机思政小故事
线性判据与回归(二)
4.10软间隔支持向量机
4.11线性判据多类分类
4.12线性回归
4.13逻辑回归的概念
4.14逻辑回归的学习
4.15Softmax判据的概念
4.16Softmax判据的学习
4.17核支持向量机
课程思政案例3梯度下降算法蕴含的辩证思维
神经网络
5.1神经网络的概念
5.2BP算法
5.3BP算法再探
5.4超越梯度_Hessian矩阵
5.5神经网络中的牛顿法
5.6二阶偏导反向传播
5.7动量项与随机梯度下降
5.8自适应步长算法
5.9神经网络正则化-权重衰减
5.10神经网络正则化-早停机制
5.11神经网络正则化-切线传播
5.12神经网络正则化--数据增强
课程思政案例3深度学习的质量互变内涵
价值塑造和专业能力培养共蕴互促的课程思政体系建设
课程图谱查看链接
模式识别基本概念
1.1什么是模式识别
1.2模式识别数学表达
1.3特征向量的相关性
1.4机器学习基本概念
1.5模型的泛化能力
1.6评估方法与性能指标
基于距离的分类器
2.1MED分类器
2.2特征白化
2.3MICD分类器
课程思政案例1中华传统文化饱含的辩证思维
贝叶斯决策与学习
3.1贝叶斯决策与MAP分类器
3.2MAP分类器：高斯观测概率
3.3决策风险与贝叶斯分类器
3.4最大似然估计
3.5最大似然的估计偏差
3.6贝叶斯估计(1)
3.7贝叶斯估计(2)
3.8KNN估计
3.9直方图与核密度估计
模式识别与机器学习实践平台介绍
线性判据与回归(一)
4.1线性判据基本概念
4.2线性判据学习概述
4.3并行感知机算法
4.4串行感知机算法
4.5Fisher线性判据
4.6支持向量机基本概念
4.7拉格朗日乘数法
4.8拉格朗日对偶问题
4.9支持向量机学习算法
课程思政案例2感知机思政小故事
线性判据与回归(二)
4.10软间隔支持向量机
4.11线性判据多类分类
4.12线性回归
4.13逻辑回归的概念
4.14逻辑回归的学习
4.15Softmax判据的概念
4.16Softmax判据的学习
4.17核支持向量机
课程思政案例3梯度下降算法蕴含的辩证思维
神经网络
5.1神经网络的概念
5.2BP算法
5.3BP算法再探
5.4超越梯度_Hessian矩阵
5.5神经网络中的牛顿法
5.6二阶偏导反向传播
5.7动量项与随机梯度下降
5.8自适应步长算法
5.9神经网络正则化-权重衰减
5.10神经网络正则化-早停机制
5.11神经网络正则化-切线传播
5.12神经网络正则化--数据增强
课程思政案例3深度学习的质量互变内涵
价值塑造和专业能力培养共蕴互促的课程思政体系建设