慕课-成都文理学院

人工智能之模式识别_北京理工大学

课程类型：选修课

发布时间：2024-11-26 17:06:32

主讲教师：

课程来源：

建议学分：0.00分

课程编码：mk005158

课程介绍

课程目录

教师团队

{10}--模块10 结构模式识别

[10.2.1]--10.1.1 结构模式识别的基本概念.mp4 （0分钟）

[10.2.2]--10.1.2 结构模式识别的主要方法.mp4 （0分钟）

[10.3.1]--10.2.1 形式语言理论的基本概念.mp4 （0分钟）

[10.3.2]--10.2.2 四种文法类型.mp4 （0分钟）

[10.4.1]--10.3 句法分析方法.mp4 （0分钟）

[10.5.1]--10.4 算法实例演示：句法识别.mp4 （0分钟）

{1}--模块1 课程导论

[1.2.1]--1.1.1 人工智能之模式识别.mp4 （0分钟）

[1.2.2]--1.1.2 模式识别的定义.mp4 （0分钟）

[1.2.3]--1.1.3 模式识别的广泛应用.mp4 （0分钟）

[1.3.1]--1.2.1 学习目标和学习内容.mp4 （0分钟）

[1.3.2]--1.2.2 学习方法和学习路径.mp4 （0分钟）

{2}--模块2 模式识别系统

[2.2.1]--2.1.1 特征与特征空间.mp4 （0分钟）

[2.2.2]--2.1.2 有监督学习与无监督学习.mp4 （0分钟）

[2.2.3]--2.1.3 紧致性与维数灾难.mp4 （0分钟）

[2.2.4]--2.1.4 泛化能力与过拟合.mp4 （0分钟）

[2.2.5]--2.1.5 模式识别系统.mp4 （0分钟）

[2.3.1]--2.2 模式识别的算法体系.mp4 （0分钟）

[2.4.1]--2.3.1 问题：手写数字识别.mp4 （0分钟）

[2.4.2]--2.3.2 算法：从模板匹配开始.mp4 （0分钟）

[2.5.1]--2.4 算法实例演示：模板匹配.mp4 （0分钟）

{3}--模块3 线性分类器

[3.2.1]--3.1.1 线性判别和广义线性判别.mp4 （0分钟）

[3.2.2]--3.1.2 多分类线性判别.mp4 （0分钟）

[3.2.3]--3.1.3 线性判别函数的几何意义.mp4 （0分钟）

[3.3.1]--3.2.1 线性分类器训练的一般思路.mp4 （0分钟）

[3.3.2]--3.2.2 感知器算法的原理.mp4 （0分钟）

[3.3.3]--3.2.3 感知器算法的学习速率.mp4 （0分钟）

[3.3.4]--3.2.4 感知器算法的深入分析.mp4 （0分钟）

[3.4.1]--3.3 算法实例演示：线性分类器.mp4 （0分钟）

[3.5.1]--3.4.1 线性分类器的松弛求解.mp4 （0分钟）

[3.5.2]--3.4.2 H-K算法.mp4 （0分钟）

[3.6.1]--3.5.1 支持向量机的原理.mp4 （0分钟）

[3.6.2]--3.5.2 结构风险最小化准则.mp4 （0分钟）

[3.6.3]--3.5.3 线性不可分时的SVM之一软间隔支持向量机.mp4 （0分钟）

[3.6.4]--3.5.4 线性不可分时的SVM之二非线性支持向量机.mp4 （0分钟）

[3.7.1]--3.6 算法实例演示：支持向量机.mp4 （0分钟）

{4}--模块4 贝叶斯分类器

[4.2.1]--4.1.1 逆概率推理与贝叶斯公式.mp4 （0分钟）

[4.2.2]--4.1.2 贝叶斯分类的原理.mp4 （0分钟）

[4.2.3]--4.1.3 几种常用的贝叶斯分类器.mp4 （0分钟）

[4.2.4]--4.1.4 正态分布下的贝叶斯分类.mp4 （0分钟）

[4.2.5]--4.1.5 贝叶斯分类的错误率.mp4 （0分钟）

[4.3.1]--4.2.1 贝叶斯分类器的训练.mp4 （0分钟）

[4.3.2]--4.2.2 极大似然估计和贝叶斯估计.mp4 （0分钟）

[4.4.1]--4.3 算法实例演示：贝叶斯分类器.mp4 （0分钟）

[4.5.1]--4.4.1 最近邻规则和最近邻分类器.mp4 （0分钟）

[4.5.2]--4.4.2 K近邻算法及其优化.mp4 （0分钟）

[4.6.1]--4.5 算法实例演示：最近邻算法.mp4 （0分钟）

{5}--模块5 特征降维

[5.2.1]--5.1.1 特征降维的主要方法.mp4 （0分钟）

[5.2.2]--5.1.2 类别可分性度量.mp4 （0分钟）

[5.3.1]--5.2.1 特征提取算法.mp4 （0分钟）

[5.3.2]--5.2.2 特征选择算法.mp4 （0分钟）

{6}--模块6 聚类算法

[6.2.1]--6.1.1 数据聚类的定义.mp4 （0分钟）

[6.2.2]--6.1.2 数据聚类的特点.mp4 （0分钟）

[6.2.3]--6.1.3 数据聚类的应用.mp4 （0分钟）

[6.2.4]--6.1.4 数据聚类的流程.mp4 （0分钟）

[6.3.1]--6.2.1 试探法聚类.mp4 （0分钟）

[6.3.2]--6.2.2 层次法聚类.mp4 （0分钟）

[6.3.3]--6.2.3 动态聚类算法.mp4 （0分钟）

[6.4.1]--6.3 算法实例：k均值聚类.mp4 （0分钟）

{7}--模块7 组合分类器

[7.2.1]--7.1.1 组合分类器的概念.mp4 （0分钟）

[7.2.2]--7.1.2 组合分类器的主要类型.mp4 （0分钟）

[7.3.1]--7.2.1 随机森林算法.mp4 （0分钟）

[7.3.2]--7.2.2 Adaboost算法.mp4 （0分钟）

[7.4.1]--7.3 算法实例演示：Adaboost.mp4 （0分钟）

[7.5.1]--7.4 算法实例演示：随机森林.mp4 （0分钟）

{8}--模块8 模糊模式识别

[8.2.1]--8.1.1 模糊集合的定义及基本运算.mp4 （0分钟）

[8.2.2]--8.1.2 模糊关系及模糊矩阵.mp4 （0分钟）

[8.3.1]--8.2.1 模糊模式识别的算法体系.mp4 （0分钟）

[8.3.2]--8.2.2 最大隶属度识别法.mp4 （0分钟）

[8.3.3]--8.2.3 择近原则识别法.mp4 （0分钟）

[8.3.4]--8.2.4 模糊聚类算法.mp4 （0分钟）

[8.4.1]--8.3 算法实例演示：模糊k均值聚类.mp4 （0分钟）

{9}--模块9 神经网络分类器

[9.2.1]--9.1.1 人工神经元模型.mp4 （0分钟）

[9.2.2]--9.1.2 人工神经元网络.mp4 （0分钟）

[9.2.3]--9.1.3 人工神经元的学习规则.mp4 （0分钟）

[9.2.4]--9.1.4 人工神经网络的学习规则.mp4 （0分钟）

[9.3.1]--9.2.1 感知器网络.mp4 （0分钟）

[9.3.2]--9.2.2 BP网络.mp4 （0分钟）

[9.4.1]--9.3 算法实例演示：BP算法.mp4 （0分钟）

[9.5.1]--9.4.1 深度学习的概念与特点.mp4 （0分钟）

[9.5.2]--9.4.2 深度信念网络的结构.mp4 （0分钟）

[9.5.3]--9.4.3 深度信念网络的训练.mp4 （0分钟）

[9.5.4]--9.4.4 卷积神经网络的原理.mp4 （0分钟）

[9.5.5]--9.4.5 卷积神经网络的结构与训练.mp4 （0分钟）

[9.6.1]--9.5 算法实例演示：CNN.mp4 （0分钟）