模式识别与机器学习技术

1 模式识别与机器学习基本概念
1．1 模式识别
1．1．1 基本概念
1．1．2 模式识别应用
1．1．3 模式识别系统
1．1．4 模式识别基本方法
1．1．5 模式识别基本问题
1．1．6 模式识别基本准则
1．2 机器学习
1．2．1 简介
1．2．2 机器学习的分类
1．2．3 深度学习
1．3 机器学习与模式识别算法评价指标
1．3．1 查全率与准确率
1．3．2 交叉验证
1．3．3 混淆矩阵
1．4 K近邻算法
1．5 顶级会议和期刊
1．5．1 顶级会议
1．5．2 顶级期刊
1．5．3 国内重要期刊

2 判别函数
2．1 判别函数
2．1．1 线性判别函数
2．1．2 非线性判别函数
2．2 Fisher线性判别函数

3 特征提取与选择
3．1 简介
3．2 基本概念
3．3 类别可分性判据
3．3．1 基于距离的可分性判据
3．3．2 基于概率分布的可分性判据
3．4 主成分分析
3．4．1 简介
3．4．2 基本原理
3．4．3 具体步骤
3．4．4 应用举例
3．4．5 核主成分分析法
3．5 图像特征
3．5．1 颜色特征
3．5．2 纹理特征
3．5．3 形状特征

4 贝叶斯分类
4．1 简介
4．1．1 相关统计概念
4．1．2 贝叶斯定理
4．2 贝叶斯分类
4．3 朴素贝叶斯分类
4．3．1 简介
4．3．2 基本原理
4．3．3 分类举例
4．4 贝叶斯网络
4．4．1 结构形式1
4．4．2 结构形式2
4．4．3 结构形式3
4．4．4 举例
4．5 基于Python的朴素贝叶斯分类实现

5 聚类分析
5．1 聚类概念
5．2 聚类算法分类
5．3 相似性度量
5．4 聚类准则
……

6 支持向量机
7 人工神经网络
8 机器学习与模式识别应用——以农业为例
9 线性代数
10 概论论与数理统计
11 *优化理论与信息论
参考文献