国科大机器学习课程
主讲教师：黄庆明等
本课程为计算机应用技术学科研究生的专业核心课课，同时也可作为计算机其它专业及电子、自动化等学科研究生的专业普及课。本课程将讲述模式识别与机器学习的基本概念、基本理论和方法、关键算法原理以及典型应用情况。主要内容包括统计判别、判别函数、特征选择、句法模式识别、有监督学习、支持向量机、无监督/半监督学习、图模型、集成学习、神经网络与深度学习以及人脸识别案例分析等。 通过本课程的学习，希望学生能了解模式识别与机器学习前沿研究领域，了解相关理论与方法在计算机视觉等领域应用的最新研究成果，掌握基本**和关键技术，培养学生在计算机视觉、模式识别和机器学习领域的研究能力。
线性代数，概率论与数理统计，多元统计分析，最优化方法
教材
- R. Duda, P. Hart, D. Stork, Pattern Classification (Second edition), John Wiley & Sons, New York, USA, 2000.
- Christopher M. Bishop (2006)，Pattern Recognition and Machine Learning，Springer.
- Trevor Hastie, Robert Tibshirani, and Jerome Friedman (2001)，The Elements of Statistical Learning，Springer.
- 第一章 绪论
1.1模式和模式识别的概念
1.2 模式识别简史和应用
1.3 模式识别的方法
1.4 模式识别系统
- 第二章 统计判别
2.1 贝叶斯判别准则
2.2 最小风险判别
2.3 正态分布模式的贝叶斯分类器
2.4 均值向量和协方差矩阵的参数估计
- 第三章 判别函数
3.1 线性判别函数
3.2 广义线性判别函数
3.3 分段线性判别函数
3.4 模式空间和权空间
3.5 感知器算法
- 第四章 特征选择和提取
4.1 模式类别可分性的测度
4.2 特征选择
4.3 离散K-L变换
- 第五章 句法模式识别
5.1 关系运算
5.2 形式语言基础
5.3 句法结构的自动机识别
5.4 利用形式语言的图形识别
5.5 基元提取
5.6 句法分析与文法推断
教学视频： https://www.bilibili.com/video/av16300399/?from=search&seid=13027293187083221511
- 第六章 统计学习理论基础
6.1 统计判别准则
6.2 过拟合与正则化
6.3 偏差方差分解
- 第七章 有监督学习基础算法
7.1 线性回归与线性分类
7.2 判别式与产生式学习方法
7.3 逻辑回归与朴素贝叶斯方法
7.4 极大似然与最大后验方法
- 第八章 支持向量机
8.1 线性支持向量机
8.2 硬间隔最大化与软间隔最大化
8.3 对偶与凸化
8.4 核方法
8.5 结构支持向量机
教学视频： https://www.bilibili.com/video/av18258418/?from=search&seid=13027293187083221511
- 第九章 无监督学习与半监督学习
9.1 聚类
9.2 层次聚类模型
9.3 EM算法
9.4 流形学习
9.5 协同训练
9.6 基于图的半监督方法
- 第十章 图模型基础（4）
10.1 条件独立性
10.2 有向图与无向图
10.3 马尔科夫随机场
10.4 隐马尔科夫模型
教学视频： https://www.bilibili.com/video/av18242094/
- 第十一章 集成学习
11.1 Bagging
11.2 Boosting
11.3 随机森林
- 第十二章 神经网络与深度学习
12.1 人工神经网络基础
12.2 前馈神经网络
12.3 反馈神经网络
12.4 受限玻尔兹曼机
12.5 自动编码机
12.6 卷积神经网络
12.7 递归神经网络
- 第十三章 典型应用案例
13.1 人脸检测与识别
13.2 文字检测与识别
13.3 图像识别与分类
参考文献
-
J.P.Marques de Sa, Pattern Recognition Concepts, Methods and Applications, Springer, New York, USA, 2002.
-
李航，统计学习基础，清华大学出版社，北京，2012.
-
边肇琪等，《模式识别》（第二版），清华大学出版社，北京，2000.
-
蔡元龙，《模式识别》，西北电讯工程学院出版社，西安，1985.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent