桶式移位器 简单浮点编码器 双优先级编码器 级联比较器 关模比较器

1 统计学习的定义 2 统计模式识别的应用案例 3 统计模式识别系统框架与设计周期 统计模式识别系统框架 统计模式识别设计周期 4 一个案例 5 基本概念 6 机器学习在人工智能中的位置

1 线性代数 符号和基础知识 矩阵乘法 运算性质 矩阵微分 2 概率论 概率空间 随机变量及其分布 随机变量的数字特征 条件期望

1 一个例子 2 最小二乘法 3 从线性到非线性：用线性模型 4 概率解释 最大似然估计 最大后验概率估计 正则化效果 5 偏置-方差困境 损失函数的第一步分解 损失函数的第二步分解 对多个数据集的简单总结

1 历史进程 2 预备知识 采用线性激活函数的神经元 采用阈值激活函数的神经元 采用 S 形激活函数的神经元 3 异或问题 4 多层感知机到底在做什么？ 5 Tilling（耕种，耕作）算法 6 可微激活函数函的多层感知机学习方法 误差 e 的表示 误差的反向传播 反向传播算法 计算例子

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

1 概率密度估计 2 直方图方法 3 Parzen 窗 4 K 近邻密度估计 k 近邻分类器

4.1 Chapter highlights • Hypothesis testing and the MAP criterion • Extension to the general Bayes criterion • Minimax criterion • Neyman-Person criterion 4.2 Hypothesis testing & MAP criterion 4.3 Bayes criterion 4.4 Minimax criterion 4.5 Neyman-Pearson criterion

5.5 The optimum digital detector in additive Gaussian noise 5.6 Filtering alternatives 5.7 Continuous signals - White Gaussian noise 5.8 Continuous signals - Colored Gaussian noise 5.9 Performance of binary receivers in AWGN 5.11 Sequential detection & performance

• 第四节 混频器 • 第五节 滤波器 • 第六节 放大器 • 第七节 频率源