模式识别与机器学习培训

01
第一章 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
02
第二章 基于距离的分类器

2.1 MED分类器
2.2 特征白化
2.3 MICD分类器
03
第三章 贝叶斯决策与学习

3.1 贝叶斯决策与MAP分类器
3.2 MAP分类器：高斯观测概率
3.3 决策风险与贝叶斯分类器
3.4 大似然估计
3.5 大似然的估计偏差
3.6 贝叶斯估计（1）
3.7 贝叶斯估计（2）
3.8 KNN估计
3.9 直方图与核密度估计
04
第四章 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
4.5 Fisher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
05
第四章 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
06
第五章 神经网络

5.1 神经网络的概念
5.2 BP算法
5.3 深度学习