班级规模及环境--热线:4008699035 手机:15921673576( 微信同号) |
坚持小班授课,为保证培训效果,增加互动环节,每期人数限3到5人。 |
上课时间和地点 |
上课地点:【深圳分部】:电影大厦(地铁一号线大剧院站)/深圳大学成教院 【上海】:同济大学(沪西)/新城金郡商务楼(11号线白银路站) 【北京分部】:北京中山学院/福鑫大楼 【南京分部】:金港大厦(和燕路) 【武汉分部】:佳源大厦(高新二路) 【成都分部】:领馆区1号(中和大道) 【沈阳分部】:沈阳理工大学/六宅臻品 【郑州分部】:郑州大学/锦华大厦 【广州分部】:广粮大厦 【西安分部】:协同大厦 【石家庄分部】:河北科技大学/瑞景大厦
最近开课时间(周末班/连续班/晚班):请点击此处咨询在线客服 |
实验设备 |
☆资深工程师授课
☆注重质量
☆边讲边练
☆合格学员免费推荐工作
★实验设备请点击这儿查看★ |
质量保障 |
1、培训过程中,如有部分内容理解不透或消化不好,可免费在以后培训班中重听;
2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供课后答疑。
3、培训合格学员可享受免费推荐就业机会。 |
课程大纲 |
|
-
1. 模式识别概论以及概率论基本知识
内容
说明
概论
− 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
概率论基础知识
− 概率论基础知识 贝叶斯决策, 概率密度分布
− 最大似然估计
− 贝叶斯估计
− 维数问题(精度、维数和训练集的大小; 计算复杂度;过拟合)
概率密度分布的非参数估计
− 非参数估计的基本原理与直方图方法
− KN近邻估计方法
− Parzen窗法
− 最近邻规则
− 距离度量和最近邻分类
− RCE网络
− 级数展开逼近
− 统计量估计中的重采样技术(bootstrap, jackknife)
期望最大化(EM)
− 期望最大化
隐马尔可夫模型
− 隐马尔可夫模型
抽样方法
− 马尔可夫 蒙特卡洛
− Gibbs 采样
− Slice 采样
− 混合Monte carlo算法
2. 监督学习方法
内容
说明
线性回归
− 线性基础模型
− 偏方方差分解
− 贝叶斯线性回归
− 贝叶斯模型比较
− 参数估计(经验贝叶斯)
− 固定基础函数的限制
特征
− 特征选择
² 特征的评价准则
² 特征选择的最优算法
² 特征选择的次优算法
² 特征选择的遗传算法
² 以分类性能为准则的特征选择方法
− 特征提取
² 基于类别可分性判据的特征提取
² 主成分分析 (图像)
² Karhunen-Loeve变换
² 高维数据的低维显示
² 多维尺度法
² 非线性变换方法简介
² 多重判别分析
− 特征提取与选择对分类器性能估计的影响
分类器
− 线性分类器
² 线性判别函数的基本概念
² Fisher线性判别器
² 感知器
² 最小平方误差判别
² 最优分类器超平面与线性支持向量
² 拉普拉斯逼近(Laplace 逼近)
− 非线性分类器
² 分段判别函数
² 二次判别函数
² 多层感知机
² 支持向量机
² 核函数
− 其它分类器
² 近邻法
² 决策树
² 逻辑回归
² Boosting
² 随机方法
² 基于规则的方法
系统评价
− 监督模式识别方法的错误率估计
− 有限样本下错误率的区间估计问题
− 从分类的显著性推断特征与类别的关系
3. 非监督学习方法
内容
说明
模型方法
− 基于模型的方法
− 混合模型的估计(非监督最大似然估计;
正态分布情况下的非监督参数估计)
聚类方法
− 动态聚类
− 模糊聚类
− 分级聚类
− 自组织神经网络
− 划分聚类
− 聚类的准则函数
其它非监督方法
− 图论方法
− 在线聚类
− 图模型
− 非监督模式识别系统性能的评价
4. 图像处理相关内容
内容
说明
图像处理的基本方法
− 几何规范化 (平移,旋转,缩放等,复原,增强等)
− 灰度级差值 (最近邻差值等)
− 灰度规范化 (图像平滑、直方图均衡化、灰度变换)
− 边缘检测,梯度算子
− 形态学处理 (膨胀,腐蚀,开操作,闭操作,细化,粗化,骨架,裁剪等)
图像的特征提取
− 形状特征(轮廓特征, 区域特征)
− 纹理特征(LBP,HOG,SURF,SIFT,HAAR )
− 颜色特征(颜色直方图, 颜色矩, 颜色相关图)
− 空间关系特征(基于模型的姿态估计方法, 基于学习的姿态估计方法)
;
"
|