《模式识别》教学大纲（本科）.pdfVIP

模式识别 一、课程简介 模式识别包含了模式识别与数据挖掘两门课程。模式识别与数据挖掘研究的内容是使机器能 做以前只能由人类才能做的事，具备人所具有的、对各种事物与现象进行分析、描述与判断、并 在大型数据库中发现模式的能力。模式识别与数据挖掘是在统计分析、语言学、计算机科学、生 物学、控制论、优化算法等技术的基础上发现潜在有价值的模式，解决生物医学基础科研中的实 际问题。 通过本课程的学习，使学生了解和掌握模式识别与数据挖掘的基础理论、基本知识，掌握模 式识别与数据挖掘的常用技术和方法，掌握以计算机为工具对生物数据进行储存、检索和分析的 科学、有效地进行数据的采集、整理、检索、分析，从中提取有价值的模式，同时培养学生应用 所学知识解决生物学问题的能力，为学生在未来工作中合理使用模式识别与数据挖掘方法打下坚实 的理论基础。 二、理论教学内容 1.模式识别总论 了解内容：模式识别和模式的概念；模式识别系统。 2. 贝叶斯决策理论 掌握内容：贝叶斯决策理论基本概念；常用的决策规则，包括：最小错误率贝叶斯决策，基 于最小风险的贝叶斯决策，朴素贝叶斯分类器；正态分布时的统计决策；关于分类时的统计决策；判 别函数和决策面；贝叶斯决策方法生物学应用。 了解内容：正态分布概率密度的定义和性质；决策规则的不同形式；决策的错误率；最小风 险决策的一般性；多元正态概率模型下的最小错误率贝叶斯决策；贝叶斯决策应用。 了解内容：最大似然估计，多元正态分布参数最大似然估计。 3. 线性分类器 掌握内容：Fisher线性判别；感知准则函数；最小错分样本数准则；多类问题。 了解内容：最小平方误差准则函数；随机最小错误率线性判别准则函数。 4. 非线性分类器 掌握内容：分段线性判别函数、多层感知器神经网络、支持向量机。 5. 其他分类器 了解内容：最近邻法；k-近邻法。 6. 决策树分类算法 掌握内容：决策树归纳；决策树的工作原理；决策树归纳算法；评估分类器的性能；比较分 类器的方法；不平衡类问题；决策树生物学应用。 了解内容：模型的过分拟合；组合方法；随机森林；随机森林生物学应用。 7. 聚类分析及应用 掌握内容：数据、簇和聚类算法的特性；基于原型的聚类；基于密度的聚类；基于图的聚类、 聚类应用。 了解内容：可伸缩的聚类算法。 8. 关联分析及应用 掌握内容：频繁项集的产生；规则产生；频繁项集的紧凑表示；处理分类属性连续属性；序 列模式；子图模式；挖掘多物种通路频繁模式；文本挖掘。 了解内容：产生频繁项集的其他方法；FP增长算法；关联模式的评估；倾斜支持度分布的 影响；非频繁模式。 70 三、实验教学内容 1.基于Fisher准则的线性分类器设计 基本内容：本实验旨在让同学进一步了解分类器的设计概念，能够根据自己的设计对线性分类器 有更深刻地认识，理解Fisher准则方法确定最佳线性分界面方法的原理。完成Fisher线性分类器的设 计。利用试验数据集合训练两个具体的Fisher分类器，一个利用二维数据 （即前两列属性）构建分 类器，另一个利用三维数据构建分类器。分析W 的比例因子对于Fisher判别函数没有影响的原因。 基本要求：了解分类器的设计概念；能够自己的设计对线性分类器，理解Fisher准则方法确 定最佳线性分界面方法的原理。 2. 利用模式识别软件进行分类器设计 基本内容：安装模式识别软件 （WEKA ），对软件数据格式、数据准备、分类部分进行学习，并 根据实例操作，了解weka 的主要功能；选择朴素贝叶斯分类方法，进行分类器的整体设计和检验。 基本要求：掌握weka 的分类模块中分类方法，例如：贝叶斯方法，Fisher方法；熟悉交叉验 证方法；特征选择方法。 3. 决策树归纳设计 基本内容：实现决策树归纳算法；评估分类器的性能；ROC 曲线的绘制，生物数据的应用。 基本要求：掌握决策树的工作原理；熟悉评估分类器的性能的方法。 4. 聚类分析 基本内容：利用k均值和层次聚类分析结肠癌基因表达谱数据，对样本和基因进行聚类，分 析聚类的结果；结合生物学背景，解释结果的生物学含义；利用SNN测度