《模式识别》课程教学大纲.docxVIP

《模式识别》教学大纲

课程名称：模式识别(patternrecognition)

课程编码：1502ZY157课程类别：专业基础-选修学分：3分

总学时：48学时，其中，授课学时：40学时；上机学时：8学时适用专业：人工智能专业先修课程：高等数学、python程序设计、数字图像处理

涂继辉涂继辉

一.课程性质

本课程是人工智能专业的专业选修课，是研究计算机模式识别的基本理论、方法和应用。本课程的教学目的是，通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。

二.课程目标

(一)育人目标

“不忘初心，牢记使命”。从培养学生的辩证思维方式，爱国教育、社会责任、人生领悟、民族自信等方面入手，将育人要素和信号与系统专业知识嵌入到课堂中教学，凝聚学生对社会主义核心价值观的共识。通过科学家故事学习科学精神，通过课程概念原理学习系统论、工程论、科学思维，利用模式识别实际应用研究学习科技自信及爱国主义情怀，师生互动进行“三观”教育和学习方法指导，培养学生的专业素质和职业道德，全面提高学生缘事析理、明辨是非的能力，培养学生成为德才兼备、全面发展的人才。

(二)知识和能力目标

1.掌握模式识别的基本概念、基本原理和基本方法，能够在后续课程的学习和之后的工作中灵活应用这些理论、知识与方法解决可能遇到的问题(毕业要求1.2);

2.通过以上知识点的学习，让学生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题(毕业要求2.2)。

课程目标与毕业要求指标点对应关系

课程目标

毕业要求指标点

课程目标1

.2了解模式识别的基本概念、基本原理和基本方法等理论基础知识，了解模式识别的知识体系结构和应用领域，培养学生的专业兴趣。

课程目标2

2.2通过以上知识点的学习，让学生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题；

三、基本要求

通过对本课程的学习，要求学生了解以下知识点：模式与模式识别的基本概念和原理、统计决策方法基本方法以及应用、概率密度函数的估计方法以及应用、线性分类器方法以及应用、非线性分类器方法以及应用、特征选择方法以及应用、特征提取、非监督模式识别、模式识别系统的评价等。通过以上知识点的学习，让学

生可以把人工智能与个人研究方向结合，更好解决学生个人研究领域中所遇到的问题。

四、课程教学内容与学时分配

分章节说明教学内容，课时安排，并说明教学重点与难点、主要教学模式(包括授课、自学、实验、课程设计、大作业等)以及对应的知识、能力要求。

章节

教学内容

授课学时

教学模式

对应课程目标

1

模式识别概述

4

课堂授课，课堂讨论

课程目标1

2

统计决策方法

4

课堂授课，课堂讨论

课程目标1/2

3

概率密度函数的估计

4

课堂授课，课堂讨论

课程目标1/2

4

线性分类器

4

课堂授课，课堂讨论

课程目标1/2

5

非线性分类器

4

课堂授课，课堂讨论

课程目标1/2

6

特征选择和特征提取

4

课堂授课，课堂讨论、

课程目标1/2

7

非监督模式识别

4

课堂授课，课堂讨论、

课程目标1/2

8

模式识别系统的评价

4

课堂授课，课堂讨论、

课程目标1/2

(1)概论(2学时)模式与模式识别

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

(2)统计决策方法(4学时)

引言：一个简单的例子最小错误率贝叶斯决策最小风险贝叶斯决策

两类错误率、neyman-pearson决策与roc曲线正态分布时的统计决策错误率的计算

离散概率模型下的统计决策举例

(3)概率密度函数的估计(2学时)引言最大似然估计

贝叶斯估计与贝叶斯学习概率密度估计的非参数方法

(4)线性分类器(4学时)引言

线性判别函数的基本概念fisher线性判别分析感知器

最小平方误差判别

最优分类超平面与线性支持向量机多类线性分类器(5)非线性分类器(4学时)

引言

分段线性判别函数二次判别函数多层感知器神经网络支持向量机核函数机器

(6)特征选择和特征提取(8学时)引言特征的评价准则

特征选择的最优、次优和遗传算法以分类性能为准则的特征选择方法基于类别可分性判据的特征提取主成分