模式识别与机器学习-刘家学课程教学大纲.docVIP

PAGE9

《模式识别与机器学习》教学大纲

课程英文名称

PatternRecognitionandMachineLearning

开课院系

电子信息与自动化学院

课程类别

学科必修课/学科选修课

授课对象

1.学术型，2.专业学位

授课方式

1.讲授类2.研讨类

课程总学时

36

课程总学分

2

开课学期

第2学期

适用专业

航空运输大数据工程；控制科学与工程；控制工程

预修课程

随机过程、矩阵论、数字信号处理

主讲教师1

刘家学

职称

教授

主讲教师2

高庆吉

职称

教授

课程简介（500字以内）：

课程以“分类与识别”为主线，结合机器学习理论介绍统计模式识别的理论和方法。主要内容包括：(1)基于概率的贝叶斯决策，包括:朴素贝叶斯、最小风险决策和Neyman-Pearson决策；(2)概率密度的估计方法，包括：极大似估计、贝叶斯估计和贝叶斯学习；(3)基于线性判别函数的线性分类器，包括：感知器、Fisher分类器和支持向量机；(4)非线性分类器，包括：基于核函数的非线性SVM、神经网络分类器，卷积神经网络和深度学习；(5)特征选择、提取与降维学习，包括：类别可分离性判据、PCA和KL变换；(6)集成学习与组合分类器，包括：决策树学习、Boosting、Bagging与随机森林；(7)聚类分析，包括：动态聚类、层次聚类。

课程教学目标与基本要求：

教学目标：通过课内教学及课外上机作业实践环节的实施，使学生掌握统计模式识别与机器学习的基本理论和方法，了解模式识别技术、机器学习方法的应用，具备一定应用所学知识分析和解决实际问题的能力。

基本要求：掌握模式识别和机器学习的相关概念，理解分类器设计和机器学习的基本过程；掌握最小错误率贝叶斯决策和最小风险贝叶斯决策；理解概率密度估计的基本原理，掌握极大似估计和贝叶斯估计方法；掌握感知器准则和Fisher准则，理解支持向量机原理，并能设计线性分类器；理解非线性判别基本原理，并能设计非线性SVM、神经网络分类器；理解特征选择、特征提取、降维学习的概念和PCA的物理意义；理解组合分类方法的原理；理解聚类方法的原理，掌握k-近邻算法及使用。

课程考核方式和成绩计算评定：

1．考核方式：考试（√）；考查（）

2．成绩评定：

总评成绩构成：平时考核（50）％；中期考核（0）％；期末考核（50）％

平时成绩构成：考勤考纪、书面作业(20）％；上机作业、学术报告（80）％。

课程内容及详细教学计划

授课内容（细化到章、节、目）

教学目标

授课模式

绪论（2学时）

模式识别、机器学习基本概念及一些基本问题。

掌握模式识别和机器学习的相关概念。理解分类器设计和机器学习的基本过程。

传统讲授、多媒体教学

统计决策理论（4学时）

①最小错误率贝叶斯决策；②最小风险贝叶斯决策；③Neyman-Pearson决策；④正态分布时的统计决策。

掌握最小错误率贝叶斯决策和最小风险贝叶斯决策。

传统讲授、多媒体教学

概率密度估计（4学时）

①参数估计基本概念；②非监督参数估计；③正态分布的监督参数估计；④总体分布的非参数估计;⑤分类器错误率的估计。

理解概率密度估计的基本原理。掌握极大似估计和贝叶斯估计方法。

传统讲授、多媒体教学

线性判别分析（6学时）

=1\*GB3①线性判别函数和决策超平面；=2\*GB3②Fisher准则；=3\*GB3③感知器准则;④支持向量机;⑤logisic分类。

掌握感知器准则和Fisher准则，理解支持向量机原理，并能设计分类器。

传统讲授、多媒体教学

非线性判别分析（8学时）

=1\*GB3①径向基函数；=2\*GB3②核函数；=3\*GB3③非线性SVM；=4\*GB3④神经网络模式识别；⑤卷积神经网络和深度学习。

理解非线性判别基本原理，并能设计非线性SVM、神经网络分类器。

传统讲授、多媒体教学

特征选择与提取(4学时)

①类别可分离性判据；②特征选择；③PCA;④KL变换。

理解特征选择、特征提取、降维学习的概念和PCA的物理意义。

传统讲授、多媒体教学

集成学习与组合分类器(4学时)

①决策树学习；②Boosting；③Bagging与随机森林。

理解组合分类方法的原理。

传统讲授、多媒体教学

聚类分析(4学时)

①k-近邻学习；②动态聚类；③分层聚类；④自组织映射

理解聚类方法的原理，掌握k-近邻算法及使用。

传统讲授、多媒体教学

教材及教学参考资料

教材

序号

教材名称

编著者

出版单位

出版时间

1

模式识别(第四版)

SergiosTheodoridis,

KonstantinosKou