模式识别
本课程共2集 翻译完 欢迎学习
课程介绍:模式识别是一门与人工智能密切相关的专业课,本课程主要系统介绍模式识别的基本理论和方法,包括:模式识别的基本理论、监督模式识别中常用的线性和非线性分类器、非监督模式识别的分类器设计方法以及特征选择和提取的方法、分类器的评价方法等。模式识别作为一门实践性很强的学科,授课的时候采用算法的理论讲解和实验演示相结合的方法来进行。通过本课程的学习,不仅可以系统掌握模式识别的基本知识、理论和方法,了解模式识别的发展趋势和应用领域,还能够为将来进一步深入学习和研究模式识别和人工智能打下坚实的基础,帮助我们提高解决工程问题的能力。
课程列表
【第1集】第一讲 模式与模式识别 译
【第2集】第二讲 模式识别的主要方法 译
【第3集】第三讲 模式识别系统的应用举例(上) 译
【第4集】第三讲 模式识别系统的应用举例(下) 译
【第5集】第四讲 模式识别系统的典型构成 译
【第6集】第一讲 贝叶斯决策基础(上) 译
【第7集】第一讲 贝叶斯决策基础(下) 译
【第8集】第二讲 基于最小错误率的贝叶斯决策(上) 译
【第9集】第二讲 基于最小错误率的贝叶斯决策(下) 译
【第10集】第三讲 基于最小风险的贝叶斯决策(上) 译
【第11集】第三讲 基于最小风险的贝叶斯决策(下) 译
【第12集】第四讲 贝叶斯分类器的设计(上) 译
【第13集】第四讲 贝叶斯分类器的设计(下) 译
【第14集】第五讲 正态分布时的统计决策(上) 译
【第15集】第五讲 正态分布时的统计决策(下) 译
【第16集】第六讲 matlab代码演示实例 译
【第17集】第一讲 最大似然估计(上) 译
【第18集】第一讲 最大似然估计(下) 译
【第19集】第二讲 贝叶斯估计 译
【第20集】第三讲 贝叶斯学习(上) 译
【第21集】第三讲 贝叶斯学习(下) 译
【第22集】第一讲 引言 译
【第23集】第二讲 线性判别函数的基本概念 译
【第24集】第三讲 Fisher线性判别(上) 译
【第25集】第三讲 Fisher线性判别(下) 译
【第26集】第四讲 Fisher线性判别matlab演示 译
【第27集】第五讲 感知器算法 译
【第28集】第六讲 感知器算法实例(上) 译
【第29集】第六讲 感知器算法实例(下) 译
【第30集】第七讲 感知器算法matlab演示 译
【第31集】第八讲 最小平方误差判别 译
【第32集】第一讲 分段线性判别函数(上) 译
【第33集】第一讲 分段线性判别函数(下) 译
【第34集】第一讲 分段线性判别函数(上) 译
【第35集】第一讲 分段线性判别函数(下) 译
【第36集】第二讲 二次判别函数 译
【第37集】第三讲 神经网络的基础知识和BP神经网络(上) 译
【第38集】第三讲 神经网络的基础知识和BP神经网络(下) 译
【第39集】第三讲 神经网络的基础知识和BP神经网络(上) 译
【第40集】第三讲 神经网络的基础知识和BP神经网络(下) 译
【第41集】第四讲 神经网络参数的确定 译
【第42集】第五讲 多层神经网络在模式识别中的应用方法 译
【第43集】第六讲 BP神经网络的matlab实例 译
【第44集】第一讲 近邻法原理 译
【第45集】第二讲 快速搜索近邻法(上) 译
【第46集】第二讲 快速搜索近邻法(下) 译
【第47集】第三讲 剪辑近邻法 译
【第48集】第四讲 压缩近邻法 译
【第49集】第一讲 决策树(上) 译
【第50集】第一讲 决策树(下) 译
【第51集】第二讲 id3算法(上) 译
【第52集】第二讲 id3算法(下) 译
【第53集】第三讲 随机森林 译
【第54集】第一讲 动态聚类方法(上) 译
【第55集】第一讲 动态聚类方法(下) 译
【第56集】第二讲 分级聚类方法 译
【第57集】第一讲 特征选择和提取的基本概念 译
【第58集】第二讲 特征选择的判据(上) 译
【第59集】第二讲 特征选择的判据(下) 译
【第60集】第三讲 特征选择的最优和次优算法(上) 译
【第61集】第三讲 特征选择的最优和次优算法(下) 译
【第62集】第四讲 特征提取的PCA算法(上) 译
【第63集】第四讲 特征提取的PCA算法(下) 译
【第64集】第五讲 K-L变换(上) 译
【第65集】第五讲 K-L变换(下) 译
【第66集】第六讲 特征提取的matlab演示实例(上) 译
【第67集】第六讲 特征提取的matlab演示实例(下) 译
【第68集】第一讲 监督模式识别中错误率的估计方法(上) 译
【第69集】第一讲 监督模式识别中错误率的估计方法(下) 译
【第70集】第二讲 监督模式识别中的交叉验证及自举法 译
【第71集】第三讲 影响分类器性能估计的其它因素 译
【第72集】第四讲 非监督模式识别系统性能的评价 译
查看全部课程
相关推荐