| |
 班級規模及環境--熱線:4008699035 手機:15921673576( 微信同號) |
|
每期人數限3到5人。 |
| 上課時間和地點 |
上課地點：【上?！浚和瑵髮W(滬西)/新城金郡商務樓(11號線白銀路站) 【深圳分部】：電影大廈(地鐵一號線大劇院站)/深圳大學成教院 【北京分部】：北京中山學院/福鑫大樓 【南京分部】：金港大廈(和燕路) 【武漢分部】：佳源大廈（高新二路） 【成都分部】：領館區1號（中和大道） 【沈陽分部】：沈陽理工大學/六宅臻品 【鄭州分部】：鄭州大學/錦華大廈 【石家莊分部】：河北科技大學/瑞景大廈 【廣州分部】：廣糧大廈 【西安分部】：協同大廈
最近開課時間(周末班/連續班/晚班）：2020年3月16日 |
| 實驗設備 |
☆資深工程師授課
☆注重質量
☆邊講邊練
☆合格學員免費推薦工作
★實驗設備請點擊這兒查看★ |
| 質量保障 |
1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
2、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
3、培訓合格學員可享受免費推薦就業機會。 |
課程大綱 |
| |
1．?模式識別概論以及概率論基本知識
內容 |
說明 |
概論 |
??模式識別的主要方法;
??監督模式識別與非監督模式識別;
??模式識別系統舉例;
??模式識別系統的典型構成 |
概率論基礎知識 |
??概率論基礎知識 貝葉斯決策,?概率密度分布
??最大似然估計
??貝葉斯估計
??維數問題（精度、維數和訓練集的大小； 計算復雜度；過擬合） |
概率密度分布的非參數估計 |
??非參數估計的基本原理與直方圖方法
??KN近鄰估計方法
??Parzen窗法
??最近鄰規則
??距離度量和最近鄰分類
??RCE網絡
??級數展開逼近
??統計量估計中的重采樣技術(bootstrap, jackknife) |
期望最大化(EM) |
??期望最大化 |
隱馬爾可夫模型 |
??隱馬爾可夫模型 |
抽樣方法 |
??馬爾可夫 蒙特卡洛
??Gibbs?采樣
??Slice?采樣
??混合Monte carlo算法 |
2．?監督學習方法
內容 |
說明 |
線性回歸 |
??線性基礎模型
??偏方方差分解
??貝葉斯線性回歸
??貝葉斯模型比較
??參數估計（經驗貝葉斯）
??固定基礎函數的限制 |
特征 |
??特征選擇
2?特征的評價準則
2?特征選擇的最優算法
2?特征選擇的次優算法
2?特征選擇的遺傳算法
2?以分類性能為準則的特征選擇方法 |
??特征提取
2?基于類別可分性判據的特征提取
2?主成分分析?(圖像)
2?Karhunen-Loeve變換
2?高維數據的低維顯示
2?多維尺度法
2?非線性變換方法簡介
2?多重判別分析 |
??特征提取與選擇對分類器性能估計的影響 |
分類器 |
??線性分類器
2?線性判別函數的基本概念
2?Fisher線性判別器
2?感知器
2?最小平方誤差判別
2?最優分類器超平面與線性支持向量
2?拉普拉斯逼近（Laplace?逼近） |
??非線性分類器
2?分段判別函數
2?二次判別函數
2?多層感知機
2?支持向量機
2?核函數 |
??其它分類器
2?近鄰法
2?決策樹
2?邏輯回歸
2?Boosting
2?隨機方法
2?基于規則的方法 |
系統評價 |
??監督模式識別方法的錯誤率估計
??有限樣本下錯誤率的區間估計問題
??從分類的顯著性推斷特征與類別的關系 |
3．?非監督學習方法
內容 |
說明 |
模型方法 |
??基于模型的方法
??混合模型的估計(非監督最大似然估計;
?
正態分布情況下的非監督參數估計) |
聚類方法 |
??動態聚類 |
??模糊聚類 |
??分級聚類 |
??自組織神經網絡 |
??劃分聚類 |
??聚類的準則函數 |
其它非監督方法 |
??圖論方法
??在線聚類
??圖模型 |
??非監督模式識別系統性能的評價 |
4．?圖像處理相關內容
內容 |
說明 |
圖像處理的基本方法 |
??幾何規范化?(平移，旋轉，縮放等，復原，增強等)
??灰度級差值?(最近鄰差值等)
??灰度規范化?(圖像平滑、直方圖均衡化、灰度變換)
??邊緣檢測，梯度算子
??形態學處理?(膨脹，腐蝕，開操作，閉操作，細化，粗化，骨架，裁剪等) |
圖像的特征提取 |
??形狀特征(輪廓特征,?區域特征) |
??紋理特征(LBP,HOG,SURF,SIFT,HAAR?) |
??顏色特征(顏色直方圖,?顏色矩,?顏色相關圖) |
??空間關系特征(基于模型的姿態估計方法,?基于學習的姿態估計方法) |
|
|
|
|
|
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業
