| 主题 |
内容 |
| |
决 1、模式识别的基本原理。 |
| 模式识别基础 |
2、模式识别的主要应用（模式识别的应用：人脸识别，语音识别，翻译，手势识别，目标跟踪） |
| 模式识别知识体系 |
1、训练方法，特征空间，紧致性和可分性，泛化能力； |
| 2、分类与聚类，有监督和无监督，特征降维； |
| 3、线性分类器，贝叶斯分类器，模糊模式识别，神经网络模式识别。 |
| 模式识别开发环境 |
1、Anaconda 安装与使用 |
| 2、Pycharm 集成开发环境 |
| 3、Jupyter 开发环境搭建 |
| 4、Tensorflow + Keras 安装与使用方法 |
| 5、Pytorch安装与使用方法 |
| 模式识别分类算法 |
1、特征提取与特征选择 |
| 2、神经网络算法原理与应用 |
| 3、支持向量机算法原理与应用 |
| 4、决策树与随机森林算法与应用 |
| 聚类算法与深度学习 |
1、K均值聚类算法 |
| 2、层次聚类算法 |
| 3、聚类算法的主要应用 |
| 4、深度学习模型与应用 |
| 5、集成学习算法与应用 |
| 人脸识别技术体系 |
1、人脸检测技术 |
| 2、模板匹配人脸检测技术 |
| 3、统计人脸检测技术 |
| 4、人脸特征：几何特征、模型特征、统计特征、神经网络特征。 |
| 人脸识别案例分析I |
1、人脸识别系统整体框架 |
| 2、人脸配准即关键点检测 |
| 3、人脸属性识别即性别、年龄、姿态、表情等识别 |
| 4、人脸特征提取 |
| 人脸识别案例分析II |
1、人脸相似度的计算方法 |
| 2、人脸验证方法 |
| 3、人脸识别与人脸检索方法 |
| 4、人脸识别系统的训练与运行过程 |
