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