模式识别课程的学习的大体的内容

这是模式识别课程的学习的大体的内容，以后要是看看，兴许有点帮助！

第一章 基础

模式 模式识别 模式识别的目的 常用的模式识别的方法 模式识别系统

第二章 贝叶斯决策理论

统计决策方法、先验概率、类概率密度函数、后验概率、特征(d)、特征空间、决策(A)、决策空间、分类(W)、准则(对决策进行评价)、准则函数(J)、准则函数的极值、分类器应满足的要求、决策规则、贝叶斯决策、最小错误率、最小风险、判别函数(g)、决策面、决策域、分类器

第三章 概率密度函数的估计

类条件概率密度的估计、两步贝叶斯决策、参数估计(监督、非监督)、非参数估计、训练样本、最大似然估计、贝叶斯估计、贝叶斯学习、KN-近邻估计、Parzen窗

第四章 线性判别函数

判别函数类、直接设计分类器、设计线性分类器的步骤、准则函数的极值、Fisher线性判别的思想、类内的离散度矩阵、类间的离散度矩阵、感知准则、线性可分性、样本的规范化、梯度下降算法、决策树、决策树的生成的过程、决策树生成质量、树根和子根的属性、每一个树枝(树根到树叶)形成一个规则、ID3算法、信息熵

第六章 近邻法

近邻法、代表点、K近邻法

第八章 特征选择与提取

特征选择(压缩)、特征的最好可分性组合、特征提取、相关性、类别可分性判据、距离（类内和类间的离散度矩阵）、概率分布(巴士距离)、熵函数、五种的特征提取的方法、组合爆炸、组合优化、分支界定、Filter方法、Wapper方法、分类器作为准则、搜索策略、爬山法、BFS、次优搜索法、顺序前进、顺序后退、Tabu搜索算法

第九章 基于K-L变化的特征提取

K-L 最优特征选择、PCA(特征提取)、特征脸

第十章 非监督学习方法

聚类、基于概率密度函数估计的直接的方法、基于样本的相似性度量的间接聚类方法

K-means、聚类准则、最小误差平方和准则、相似度度量、聚类表示、核函数

第十一章 人工神经网络

多级感知准则

第十二章 模糊模式

隶属度函数

图像分割技术(K-means)