当前位置:高等教育资讯网  >  中国高校课件下载中心  >  大学文库  >  浏览文档

电子科技大学:《模式识别 Pattern Recognition》课程教学资源(教学大纲,凡时财)

资源类别:文库,文档格式:PDF,文档页数:3,文件大小:323.97KB,团购合买
点击下载完整版文档(PDF)

研究生课程教学大纲 《模式识别》教学大纲 课程 课程中 0608116004 模式识别 学时 40 编号 文名称 课程 课程英 学位课 性质 文名称 Pattern Recognition 学分 开课 适用学科 适用 √硕士 秋 自动化 时间 (类别 学生 V博士 先修课程 线性代数、概率论、 数理统计 开课单位 自动化工程学院 执笔者 凡时财 制(修)定时间 2019.5 课程简介(中英文) 《模式识别》是自动化专业机器相近专业的一门综合性专业课。该课程力求从基本概 念与原理出发,对统计模式识别方法进行分析与论述,使学生掌握特征选择、特征提取、监 督学习、无监督学习以及性能评价的基础理论知识:学会如何利用模式识别的框架解决各种 分类器设计以及聚类分析的能力: 本课程根据自动化人才培养目标、新技术发展与应用的需求而开设,是自动化专业的专 业核心课程,也是培养学生运用模式识别方法解决各类大数据分析问题的一门重要课程。 Pattern recognition is a comprehensive specialized course for the students majored in Automation.This course gives a description of the basic principle,concepts,and the method of statistical pattern recognition.Through this course,students can not only master the basic theoretical knowledge of the feature selection,feature transformation,supervised learning, unsupervised learning and the performance evaluation,but also be able to construct the classification and clustering models. As the key course of students majored in Automation,pattern recognition would satisfy the requirement of the current development,and aims to train the students to know how to model the big data from different fields. 一、教学目标 通过课堂讲授、课程设计,使学生掌握模式识别的基本概念与技能,了解本课程理论及 应用的现状与发展,对本课程在所从事专业中的应用有初步的感觉。掌握贝叶斯决策理论、 线性分类器、前向神经网络分类器、支持向量机、近邻分类、特征选择与变换、聚类分析等 模式识别的基本技能。 二、教学内容与要求 本课程总计40个学时 第一章:概论(2学时) 1本章教学内容:(1)概论(1学时),(2)研究内容(1学时)。 2本章教学要求:通过本章课程的学习,要求学生了解模式识别研究内容,发展概况

研究生课程教学大纲 1 《模式识别》教学大纲 课程 编号 0608116004 课程中 文名称 模式识别 学时 40 课程 性质 学位课 课程英 文名称 Pattern Recognition 学分 2 开课 时间 秋 适用学科 (类别) 自动化 适用 学生 √硕士 √博士 先修课程 线性代数、概率论、数理统计 开课单位 自动化工程学院 执笔者 凡时财 制(修)定时间 2019.5 课程简介(中英文) 《模式识别》是自动化专业机器相近专业的一门综合性专业课。该课程力求从基本概 念与原理出发,对统计模式识别方法进行分析与论述,使学生掌握特征选择、特征提取、监 督学习、无监督学习以及性能评价的基础理论知识;学会如何利用模式识别的框架解决各种 分类器设计以及聚类分析的能力; 本课程根据自动化人才培养目标、新技术发展与应用的需求而开设,是自动化专业的专 业核心课程,也是培养学生运用模式识别方法解决各类大数据分析问题的一门重要课程。 Pattern recognition is a comprehensive specialized course for the students majored in Automation. This course gives a description of the basic principle, concepts, and the method of statistical pattern recognition. Through this course, students can not only master the basic theoretical knowledge of the feature selection, feature transformation, supervised learning, unsupervised learning and the performance evaluation, but also be able to construct the classification and clustering models. As the key course of students majored in Automation, pattern recognition would satisfy the requirement of the current development, and aims to train the students to know how to model the big data from different fields. 一、教学目标 通过课堂讲授、课程设计,使学生掌握模式识别的基本概念与技能,了解本课程理论及 应用的现状与发展,对本课程在所从事专业中的应用有初步的感觉。掌握贝叶斯决策理论、 线性分类器、前向神经网络分类器、支持向量机、近邻分类、特征选择与变换、聚类分析等 模式识别的基本技能。 二、教学内容与要求 本课程总计 40 个学时 第一章:概论(2 学时) 1 本章教学内容:(1)概论(1 学时),(2)研究内容(1 学时)。 2 本章教学要求:通过本章课程的学习,要求学生了解模式识别研究内容,发展概况

研究生课程教学大纲 3本章教学重点:通过日常实例让学生对模式识别的研究内容有直观的认识。 4本章教学难点:无。 第二章:贝叶斯决策理论(6学时) 1本章教学内容:(1)贝叶斯分类器(2学时),(2)正态分布条件下的贝叶斯分类器(2 学时),(3)概率密度函数估计(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解贝叶斯分类器,掌握贝叶斯分类 器设计方法。 3本章教学重点:(1)贝叶斯分类器分类准则。 4本章教学难点:(1)正态分布条件下贝叶斯分类器设计方法。 第三章:线性分类器设计(6学时) 1本章教学内容:(1)感知器分类器(2学时),(2)Fisher准则分类器(2学时),(3)线 性支持向量机(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解线性分类器原理,掌握线性分类 器设计方法。 3本章教学重点:(1)感知器分类器,(2)Fisher准则分类器。 4本章教学难点:(1)线性支持向量机。 第四章:非线性分类器设计(4学时) 1本章教学内容:(1)BP神经网络分类器(2学时),(2)非线性支持向量机(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解BP神经网络、非线性支持向量 机原理,掌握非线性分类器设计方法。 3本章教学重点:(1)非线性支持向量机。 4本章教学难点:(1)BP神经网络。 第五章:其他分类器(4学时) 1本章教学内容:(1)近邻分类法(2学时),(2)决策树和L0 gistic回归(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解并掌握近邻分类法。 3本章教学重点:(1)近邻分类法。 4本章教学难点:(1)Logistic回归。 第六章:特征选择(6学时) 1本章教学内容:(1)可分离性判据(2学时),(2)基本特征选择算法(2学时),(3)基 于遗传算法的特征选择算法(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解并掌握特征选择方法。 3本章教学重点:(1)可分离性判据,(2)基本特征选择算法。 4本章教学难点:(1)基于遗传算法的特征选择算法。 第七章:特征变换(6学时) 1本章教学内容:(1)PCA(3学时),(2)基于K-L变换的特征压缩(3学时)。 2本章教学要求:通过本章课程的学习,要求学生理解并掌握特征变换与压缩方法。 3本章教学重点:(I)PCA。 4本章教学难点:(1)基于K-L变换的特征压缩。 第八章:聚类分析(6学时) 1本章教学内容:(1)聚类准则和原理(2学时),(2)动态聚类方法(2学时),(3)分级 聚类法(2学时)。 2本章教学要求:通过本章课程的学习,要求学生理解并掌握聚类分析方法。 3本章教学重点:(1)C均值聚类方法。 4本章教学难点:(1)聚类准则和原理。 2

研究生课程教学大纲 2 3 本章教学重点:通过日常实例让学生对模式识别的研究内容有直观的认识。 4 本章教学难点:无。 第二章:贝叶斯决策理论(6 学时) 1 本章教学内容:(1) 贝叶斯分类器(2 学时),(2) 正态分布条件下的贝叶斯分类器(2 学时), (3) 概率密度函数估计(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解贝叶斯分类器,掌握贝叶斯分类 器设计方法。 3 本章教学重点:(1)贝叶斯分类器分类准则。 4 本章教学难点:(1)正态分布条件下贝叶斯分类器设计方法。 第三章:线性分类器设计(6 学时) 1 本章教学内容:(1) 感知器分类器(2 学时),(2)Fisher 准则分类器(2 学时),(3) 线 性支持向量机(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解线性分类器原理,掌握线性分类 器设计方法。 3 本章教学重点:(1) 感知器分类器,(2) Fisher 准则分类器。 4 本章教学难点:(1)线性支持向量机。 第四章:非线性分类器设计(4 学时) 1 本章教学内容:(1) BP 神经网络分类器(2 学时),(2) 非线性支持向量机(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解 BP 神经网络、非线性支持向量 机原理,掌握非线性分类器设计方法。 3 本章教学重点:(1) 非线性支持向量机。 4 本章教学难点:(1)BP 神经网络。 第五章:其他分类器(4 学时) 1 本章教学内容:(1) 近邻分类法(2 学时),(2) 决策树和 Logistic 回归(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解并掌握近邻分类法。 3 本章教学重点:(1) 近邻分类法。 4 本章教学难点:(1)Logistic 回归。 第六章:特征选择(6 学时) 1 本章教学内容:(1) 可分离性判据(2 学时),(2) 基本特征选择算法(2 学时),(3) 基 于遗传算法的特征选择算法(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解并掌握特征选择方法。 3 本章教学重点:(1) 可分离性判据,(2) 基本特征选择算法。 4 本章教学难点:(1)基于遗传算法的特征选择算法。 第七章:特征变换(6 学时) 1 本章教学内容:(1)PCA(3 学时),(2) 基于 K-L 变换的特征压缩(3 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解并掌握特征变换与压缩方法。 3 本章教学重点:(1) PCA。 4 本章教学难点:(1)基于 K-L 变换的特征压缩。 第八章:聚类分析(6 学时) 1 本章教学内容:(1) 聚类准则和原理(2 学时),(2) 动态聚类方法(2 学时),(3)分级 聚类法(2 学时)。 2 本章教学要求:通过本章课程的学习,要求学生理解并掌握聚类分析方法。 3 本章教学重点:(1) C 均值聚类方法。 4 本章教学难点:(1)聚类准则和原理

研究生课程教学大纲 三、教学方式 课程采取课堂讲授+课堂讨论的教学方式。 四、考核方式与成绩评定 选择为学位课程的考核方式:课堂表现、实验报告、期末考试 成绩评定:课堂表现、实验报告、期末考试成绩所占考核成绩比例分别为15%、35%、50% 选择为非学位课程的考核方式:课堂表现、实验报告 成绩评定:课堂表现、实验报告所占考核成绩比例分别为30%、70%。 五、教材及主要参考书目 (一)教材: [1)张学工编著,《模式识别》第三版,清华大学出版社,2010年8月 (二)参考书目: [l)Authors:S.Theodoridis and K.Koutroumbas,《Pattern Recognition》Second Edition,机t械工 业出版社,2003年9月 3

研究生课程教学大纲 3 三、教学方式 课程采取课堂讲授+课堂讨论的教学方式。 四、考核方式与成绩评定 选择为学位课程的考核方式:课堂表现、实验报告、期末考试 成绩评定:课堂表现、实验报告、期末考试成绩所占考核成绩比例分别为 15%、35%、50% 选择为非学位课程的考核方式:课堂表现、实验报告 成绩评定:课堂表现、实验报告所占考核成绩比例分别为 30%、70%。 五、教材及主要参考书目 (一)教材: [1] 张学工编著,《模式识别》第三版,清华大学出版社,2010 年 8 月 (二)参考书目: [1] Authors: S.Theodoridis and K. Koutroumbas,《Pattern Recognition》Second Edition,机械工 业出版社,2003 年 9 月

点击下载完整版文档(PDF)VIP每日下载上限内不扣除下载券和下载次数;
按次数下载不扣除下载券;
24小时内重复下载只扣除一次;
顺序:VIP每日次数-->可用次数-->下载券;
已到末页,全文结束
相关文档

关于我们|帮助中心|下载说明|相关软件|意见反馈|联系我们

Copyright © 2008-现在 cucdc.com 高等教育资讯网 版权所有