| |
 班.级.规.模.及.环.境--热.线:4008699035 手.机:15921673576( 微.信.同.号) |
|
坚持小班授课，为保证培训效果，增加互动环节，每期人数限3到5人。 |
| 上.课.时.间.和.地.点 |
上课地点：【上海】：同济大学(沪西)/新城金郡商务楼(11号线白银路站) 【深圳分部】：电影大厦(地铁一号线大剧院站)/深圳大学成教院 【北京分部】：北京中山学院/福鑫大楼 【南京分部】：金港大厦(和燕路) 【武汉分部】：佳源大厦（高新二路） 【成都分部】：领馆区1号（中和大道） 【沈阳分部】：沈阳理工大学/六宅臻品 【郑州分部】：郑州大学/锦华大厦 【石家庄分部】：河北科技大学/瑞景大厦 【广州分部】：广粮大厦 【西安分部】：协同大厦
最近开课时间(周末班/连续班/晚班）：即将开课，详情请咨询客服！ |
| 实.验.设.备 |
☆资深工程师授课
☆注重质量
☆边讲边练
☆合格学员免费推荐工作
★实.验.设.备请点击这儿查看★ |
| 质.量.保.障 |
1、免费重修；
2、课程结束后,授课老师留联系方式,保障培训效果,免费技术支持。
3、推荐机会。 |
课程大纲 |
| |
1． 模式识别概论以及概率论基本知识
内容 |
说明 |
概论 |
− 模式识别的主要方法;
− 监督模式识别与非监督模式识别;
− 模式识别系统举例;
− 模式识别系统的典型构成 |
概率论基础知识 |
− 概率论基础知识 贝叶斯决策, 概率密度分布
− 最大似然估计
− 贝叶斯估计
− 维数问题（精度、维数和训练集的大小； 计算复杂度；过拟合） |
概率密度分布的非参数估计 |
− 非参数估计的基本原理与直方图方法
− KN近邻估计方法
− Parzen窗法
− 最近邻规则
− 距离度量和最近邻分类
− RCE网络
− 级数展开逼近
− 统计量估计中的重采样技术(bootstrap, jackknife) |
期望最大化(EM) |
− 期望最大化 |
隐马尔可夫模型 |
− 隐马尔可夫模型 |
抽样方法 |
− 马尔可夫 蒙特卡洛
− Gibbs 采样
− Slice 采样
− 混合Monte carlo算法 |
2． 监督学习方法
内容 |
说明 |
线性回归 |
− 线性基础模型
− 偏方方差分解
− 贝叶斯线性回归
− 贝叶斯模型比较
− 参数估计（经验贝叶斯）
− 固定基础函数的限制 |
特征 |
− 特征选择
² 特征的评价准则
² 特征选择的最优算法
² 特征选择的次优算法
² 特征选择的遗传算法
² 以分类性能为准则的特征选择方法 |
− 特征提取
² 基于类别可分性判据的特征提取
² 主成分分析 (图像)
² Karhunen-Loeve变换
² 高维数据的低维显示
² 多维尺度法
² 非线性变换方法简介
² 多重判别分析 |
− 特征提取与选择对分类器性能估计的影响 |
分类器 |
− 线性分类器
² 线性判别函数的基本概念
² Fisher线性判别器
² 感知器
² 最小平方误差判别
² 最优分类器超平面与线性支持向量
² 拉普拉斯逼近（Laplace 逼近） |
− 非线性分类器
² 分段判别函数
² 二次判别函数
² 多层感知机
² 支持向量机
² 核函数 |
− 其它分类器
² 近邻法
² 决策树
² 逻辑回归
² Boosting
² 随机方法
² 基于规则的方法 |
系统评价 |
− 监督模式识别方法的错误率估计
− 有限样本下错误率的区间估计问题
− 从分类的显著性推断特征与类别的关系 |
3． 非监督学习方法
内容 |
说明 |
模型方法 |
− 基于模型的方法
− 混合模型的估计(非监督最大似然估计;
正态分布情况下的非监督参数估计) |
聚类方法 |
− 动态聚类 |
− 模糊聚类 |
− 分级聚类 |
− 自组织神经网络 |
− 划分聚类 |
− 聚类的准则函数 |
其它非监督方法 |
− 图论方法
− 在线聚类
− 图模型 |
− 非监督模式识别系统性能的评价 |
4． 图像处理相关内容
内容 |
说明 |
图像处理的基本方法 |
− 几何规范化 (平移，旋转，缩放等，复原，增强等)
− 灰度级差值 (最近邻差值等)
− 灰度规范化 (图像平滑、直方图均衡化、灰度变换)
− 边缘检测，梯度算子
− 形态学处理 (膨胀，腐蚀，开操作，闭操作，细化，粗化，骨架，裁剪等) |
图像的特征提取 |
− 形状特征(轮廓特征, 区域特征) |
− 纹理特征(LBP,HOG,SURF,SIFT,HAAR ) |
− 颜色特征(颜色直方图, 颜色矩, 颜色相关图) |
− 空间关系特征(基于模型的姿态估计方法, 基于学习的姿态估计方法) |
|
|
|
|
|
首页 课程表 在线聊 报名 讲师 品牌 QQ聊 活动 就业
