1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、課程完成后,授課老師留給學員手機和Email,保障培訓效果,免費提供半年的技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

概論

? 模式識別的主要方法;

? 監督模式識別與非監督模式識別;

? 模式識別系統舉例;

? 模式識別系統的典型構成

概率論基礎知識

? 概率論基礎知識 貝葉斯決策, 概率密度分布

? 最大似然估計

? 貝葉斯估計

? 維數問題（精度、維數和訓練集的大小； 計算復雜度；過擬合）

概率密度分布的非參數估計

? 非參數估計的基本原理與直方圖方法

? KN近鄰估計方法

? Parzen窗法

? 最近鄰規則

? 距離度量和最近鄰分類

? RCE網絡

? 級數展開逼近

? 統計量估計中的重采樣技術(bootstrap, jackknife)

期望最大化(EM)

? 期望最大化

隱馬爾可夫模型

? 隱馬爾可夫模型

抽樣方法

? 馬爾可夫 蒙特卡洛

? Gibbs 采樣

? Slice 采樣

? 混合Monte carlo算法

2． 監督學習方法

內容

說明

線性回歸

? 線性基礎模型

? 偏方方差分解

? 貝葉斯線性回歸

? 貝葉斯模型比較

? 參數估計（經驗貝葉斯）

? 固定基礎函數的限制

特征

? 特征選擇

2 特征的評價準則

2 特征選擇的最優算法

2 特征選擇的次優算法

2 特征選擇的遺傳算法

2 以分類性能為準則的特征選擇方法

? 特征提取

2 基于類別可分性判據的特征提取

2 主成分分析 (圖像)

2 Karhunen-Loeve變換

2 高維數據的低維顯示

2 多維尺度法

2 非線性變換方法簡介

2 多重判別分析

? 特征提取與選擇對分類器性能估計的影響

分類器

? 線性分類器

2 線性判別函數的基本概念

2 Fisher線性判別器

2 感知器

2 最小平方誤差判別

2 最優分類器超平面與線性支持向量

2 拉普拉斯逼近（Laplace 逼近）

? 非線性分類器

2 分段判別函數

2 二次判別函數

2 多層感知機

2 支持向量機

2 核函數

? 其它分類器

2 近鄰法

2 決策樹

2 邏輯回歸

2 Boosting

2 隨機方法

2 基于規則的方法

系統評價

? 監督模式識別方法的錯誤率估計

? 有限樣本下錯誤率的區間估計問題

? 從分類的顯著性推斷特征與類別的關系

3． 非監督學習方法

內容

說明

模型方法

? 基于模型的方法

? 混合模型的估計(非監督最大似然估計;
正態分布情況下的非監督參數估計)

聚類方法

? 動態聚類

? 模糊聚類

? 分級聚類

? 自組織神經網絡

? 劃分聚類

? 聚類的準則函數

其它非監督方法

? 圖論方法

? 在線聚類

? 圖模型

? 非監督模式識別系統性能的評價

4． 圖像處理相關內容

內容

說明

圖像處理的基本方法

? 幾何規范化 (平移，旋轉，縮放等，復原，增強等)

? 灰度級差值 (最近鄰差值等)

? 灰度規范化 (圖像平滑、直方圖均衡化、灰度變換)

? 邊緣檢測，梯度算子

? 形態學處理 (膨脹，腐蝕，開操作，閉操作，細化，粗化，骨架，裁剪等)

圖像的特征提取

? 形狀特征(輪廓特征, 區域特征)

? 紋理特征(LBP,HOG,SURF,SIFT,HAAR )

? 顏色特征(顏色直方圖, 顏色矩, 顏色相關圖)

? 空間關系特征(基于模型的姿態估計方法, 基于學習的姿態估計方法)