人工智能之模式识别
人工智能之模式识别
开课平台爱课程(中国大学MOOC)
开课高校北京理工大学
开课教师高琪
学科专业低空技术与工程
课程简介
这门课程不是科普讲座,也不是学术研究专题,而是一门工程技术类的专业课程。因此,课程将关注“从人工智能角度理解模式识别,用模式识别原理解决工程问题”,与您一起走入模式识别技术带来的人工智能奇境。 课程面向信息技术相关领域的学习者。如果您有《概率论与数理统计》和《线性代数》的基础知识,对人工智能中的智能感知、生物特征识别、机器学习或计算机视觉等领域有浓厚的兴趣,希望系统性地学习模式识别的基本原理和主要算法,并希望能够掌握运用所学知识分析解决实际模式识别问题的能力,欢迎您选修本课程!
课程大纲
模块1 课程导论 课时目标:学习目标:理解模式识别的定义,了解课程学习目标、学习内容和学习方法,激发学习动力和学习兴趣。 1.1 什么是模式识别? 1.2 课程学习导引 模块2 模式识别系统 课时目标:学习目标:1. 理解模式识别的基础概念:包括特征与特征空间、有监督学习与无监督学习、紧致性、维数灾难、泛化能力与过拟合;2. 理解模式识别系统的一般结构,并理解各个环节的主要任务;3. 了解模式识别算法体系的全貌,理解算法之间的逻辑关系;4. 了解贯穿本课程的工程案例的主要任务和数据内容;5. 能够通过编程实现模板匹配算法来解决简单的模式识别问题。 2.1 模式识别的基本概念 2.2 模式识别的算法体系 2.3 第一个模式识别算法实例 2.4 算法实例演示-模板匹配 模块3 线性分类器 课时目标:学习目标:1. 理解线性分类器的基本原理:包括线性判别和广义线性判别,多分类线性判别函数和线性判别函数的几何意义;2. 理解线性分类器训练的一般思路;3. 理解感知器算法的原理,并能编程实现感知器算法去求解线性分类器;4. 理解LMSE算法的原理;5. 理解支持向量机的原理,并能编程实现支持向量机去解决简单的模式识别问题;6. 能够运用结构风险最小化准则对模式识别算法的泛化能力进行分析。 3.1 线性判别 3.2 感知器算法 3.3 算法实例演示:线性分类器 3.4 LMSE算法 3.5 支持向量机 3.6 算法实例演示:支持向量机 模块4 贝叶斯分类器 课时目标:学习目标:1. 理解贝叶斯分类器的原理,并能够编程实现贝叶斯分类器;2. 理解最近邻算法的原理,并能够编程实现KNN算法。 4.1 贝叶斯分类器 4.2 贝叶斯分类器的训练 4.3 算法实例演示:贝叶斯分类器 4.4 最近邻算法 4.5 算法实例演示:最近邻算法 模块5 特征降维 课时目标:学习目标:1. 理解特征降维的基本概念;2. 理解特征降维的主要方法,并能够在解决模式识别问题的过程中加以应用。 5.1 特征降维的基本概念 5.2 特征降维算法 模块6 聚类算法 课时目标:学习目标:1. 理解数据聚类的基本概念、特点和聚类算法的一般流程;2. 理解常用数据聚类算法的原理,包括试探法聚类、层次法聚类和动态聚类;3. 能够编程实现k均值聚类算法,并用于解决具体的模式识别问题。 6.1 什么是数据聚类? 6.2 主要聚类算法 6.3 算法实例演示:k均值聚类 模块7 组合分类器 课时目标:学习目标:1. 理解组合分类器的原理;2. 理解Adaboost算法和随机森林算法的基本原理,并能够编程实现这两种算法来解决模式识别问题。 7.1 组合分类的原理 7.2 典型的组合分类算法 7.3 算法实例演示:Adaboost 7.4 算法实例演示:随机森林 模块8 模糊模式识别 课时目标:学习目标:1. 理解与模糊模式识别相关的模糊数学基础知识;2. 理解常见模糊模式识别算法的基本原理;3. 能够编程实现模糊k均值算法,并用于解决模式识别问题。 8.1 模糊模式识别的基础知识 8.2 模糊模式识别算法 8.3 算法实例演示:模糊k均值聚类 模块9 神经网络分类器 课时目标:学习目标:1. 理解人工神经元网络的基本概念和用于模式识别的基本原理;2. 理解BP算法的原理,并能够编程实现BP算法;3. 理解深度学习的基本思想和主要算法的基本原理;4. 能够利用已有平台编程实现卷积神经网络,并用于解决模式识别问题。 9.1 人工神经元网络的基本概念 9.2 浅层神经网络 9.3 算法实例演示:BP算法 9.4 深度学习 9.5 算法实例演示:CNN 模块10 结构模式识别 课时目标:学习目标:1. 理解结构模式识别的基础概念和基本原理;2. 理解与句法模式识别相关的形式语言理论基础知识;3. 理解句法分析方法,并能够通过编程实现来解决简单的结构模式识别问题。 10.1 结构模式识别原理 10.2 形式语言理论基础 10.3 句法分析方法 10.4 算法实例演示:句法识别