模式识别与机器学习——教学大纲、授课计划 李映.docx

《模式识别与机器学习——教学大纲、授课计划 李映.docx》由会员分享，可在线阅读，更多相关《模式识别与机器学习——教学大纲、授课计划 李映.docx（8页珍藏版）》请在第一文库网上搜索。

1、模式识别与机器学习教学大纲一、课程信息课程名称：模式识别与机器学习课程类别：素质选修课/专业基础课课程性质：选修/必修计划学时：64计划学分，4先修课程：无选用教材：模式识别与机器学习李映主编，电子工业出版社，2023.6o适用专业：本课程可作为计算机科学领域机器学习和模式识别专业方向高年级本科生和研究生的教材，也可供相关技术人员参考。课程负责人：二、课程简介本课程介绍模式识别和机器学习技术的主要方面，包括贝叶斯统计决策、概率密度函数的估计、线性分类与回归模型、其他分类方法、无监督学习和聚类、核方法和支持向量机、神经网络和深度学习、特征选择与提取等。三、课程教学要求序号专业毕业要求课程教学要求

2、关联程度1工程知识第1章绪论介绍模式识别的基本概念和模式识别系统、机器学习的主要方法以及随机变量及分布，使读者全面了解模式识别与机器学习的相关知识。第2章贝叶斯统计决策分析最小错误率判别规则、最小风险判别规则、最大似然比判别规则、Neyman-Pearson判别规则、最小最大判别规则等经典统计决策理论，以及分类器设计、正态分布时的贝叶斯分类方法。第3章概率密度函数的估计介绍最大似然估计、贝叶斯估计、EM估计等参数估计方法，以及Parzen窗和k近邻估计等非参数估计方法。第4章线性分类与回归模型介绍线性判别函数和决策面、广义线性判别函数、最小均方误差判别等经典线性分类方法，以及线性回归模型和正则

3、化方法。第5章其他分类方法讲述近邻法、逻辑斯蒂归、决策树与随机森林。第6章无监督学习和聚类介绍无监督混合模型估计，以及动态聚类、层次聚类、谱聚类、模糊聚类、相似性传播聚类等无监督聚类方法。第7章核方法和支持向量机介绍核学习机的基本思想，以及线性和非线性支H持向量分类机与回归机。第8章神经网络和深度学习讨论感知器、多层神经网络、自组织映射神经网络等经典神经网络模型，简要介绍包括堆栈式自编码网络、深度置信网络、卷积神经网络、循环神经网络、生成对抗网络、扩散模型和TranSfOrmer模型等深度学习模型。第9章特征选择与提取介绍特征选择的一般流程和过滤式、封装式、入式、集成式等典型特征选择方法，线性

4、判别分析、主成分分析等线性特征提取方法，以及核的线性判别分析、核的主成分分析、流行学习等非线性特征提取方法。2问题分析模式识别是从工程角度发展起来的，机器学习是从计算机科学的角度发展起来的。近年来，作为人工智能领域的核心技术和理论，它们之间的渗透越来越明显。前些年，模式识别和机器学习基本上是作为两门独立的课程为高年级本科生和研究生开设的，所用的教材也是独立的。近年来，随着教学课程体系改革，有些高校整合了这两门课程，新设了“模式识别和机器学习”课程，但国内将这两门课程合并的配套教材相对较少。H3设计/开发解决方案本课程从2014年开始讲授本科生的“模式识别与机器学习”，将这两门课程合并。既重视基

5、础理论和经典方法的介绍，又兼顾前沿知识和最新模型的融入，力图反映该领域的核心知识体系和新发展趋势；每章的内容尽可能做到丰富完整，并附有习题或上机实践题。M4研究15使用现代工具16工程与社会学会将相应技术应用于实际生产和社会服务中，为社会做出贡献。M7环境和可持续发展18职业规范19个人和团队学会个人发展和团队合作，提高个人和团队的综合素质。H10沟通学会进行有效的沟通和表达，与客户、同事和上级保持良好的沟通和协作。H11项目管理112终身学习1 .学会进行自我学习和自我提升，不断提高自身的专业水平和创新能力。2 .学会进行终身学习和职业发展规划，不断拓展职业领域和发展空间。H注：“课程教学要

6、求”栏中内容为针对该课程适用专业的专业毕业要求与相关教学要求的具体描述。“关联程度”栏中字母表示二者关联程度。关联程度按高关联、中关联、低关联三档分别表示为“H”“M”或1”。”课程教学要求”及“关联程度”中的空白栏表示该课程与所对应的专业毕业要求条目不相关。四、课程教学内容章节名称主要内容重难点关键词学时类型1绪论引言模式识别的基本概念模式识别系统机器学习的主要方法概逐分布习题1 .了解模式空间、特征空间和类空间；2 .掌握识别系统的功能包括模式采集、特征提取/选择、分类等；3 .了解机器学习的主要方法；4 .掌握概率分布的相关内容。4理论2贝叶斯统计决策引言最小错误率判别规则最小风险判别规

7、则最大似然比判别规则Neyman-Pearson判别规则最小最大判别规则分类器设计正态分布中的贝叶斯分类方法小结1了解绍贝叶斯分类方法中的一般性判别规则；2. 抽象出随机模式的判别函数和决策面方程，给出两种分类器结构；3. 了解并学会使用统计决策规则；4. 了解正态分布中的贝叶斯分类方法。12理论3概率密度函数的估计引言最大似然估计贝叶斯估计与贝叶斯学文EM估计方法非参数估计方法小结掌握Parzen窗法和近邻法。器的能力。4理论4线性分类与回归模型引1线性判别函数和决策面广义线性判别函数最小均方误差判别线性回归模型正则化线性回归小结了解并掌握线性判别函数和决策面、广义线性判别函数最小均方误差判

8、别、线性回归模型以及正则化线性回归的相关知识。6理论5其他分类方法引言近邻法逻辑斯蒂回归决策树与随机森林掌握近邻法、逻辑斯蒂回归、决策树与随机森林相关内容。4理论小结6无监督学习和聚类引言混合模型的估计动态聚类管法层次聚类算法谱聚米模糊聚类方法相似性传播聚类小结1. 了解混合模型的估计相关内容；2. 掌握动态聚类管法、层次聚类算法；3. 了解谱聚米、模糊聚类方法和相似性传播聚类相关内容。8理论7核方法和支持向量机引言核学习机支持向量机支持向量回归机小结1. 了解支持向量机的分类及相关函数；2. 了解支持向量回归机的相关函数。6理论8神经网络和深度学习引言感知器多层前向神经网络自组织特征映射神经

9、网络深度学习小结1了解感知器的概念、训练算法及收敛性；2. 掌握感知器准则函数及梯度法；3. 了解多层多层前向神经网络组成等内容；4. 了解自组织特征映射神经网络的相关内容；5. 了解深度学习组成、结构、相关编码等内容。12理论9特征选择与提取引言特征选择的一般流程特征选怪方决线性特征提取方法非线性特征提取方法小结1 .了解特征选择的一般流程；2 .掌握特征选择的各种方法；3 .掌握线性的判别分析、主成分分析；4 .掌握线性特征和非线性特征的提取方法。8理论五、考核要求及成绩评定序号成绩类别考核方式考核要求权重(%)备注1期末成绩期末考试考试50百分制，60分为及格2平时成绩课后作业9次40优

10、、良、中、及格、不及格3平时表现出勤情况10两次未参加课程则无法获得学分注：此表中内容为该课程的全部考核方式及其相关信息。六、学生学习建议(-)学习方法建议1 .通过开展课堂讨论、实践活动，增强的团队交流能力，学会如何与他人合作、沟通、协调等等。2 .了解行业企业技术标准，注重学习新技术、新工艺和新方法，根据教材中穿插设置的相关实例，对已有技术持续进行更新。3 .阅读推荐的书籍、文献和资料，扩展自己的知识面和视野，提高自己的综合素质和能力。(-)学生课外阅读参考资料模式识别与机器学习李映主编，电子工业出版社，2023.6,七、课程改革与建设本课程既重视基础理论和经典方法的介绍，又兼顾前沿知识和

11、最新模型的融入，力图反映该领域的核心知识体系和新发展趋势；每章的内容尽可能做到丰富完整，并附有习题或上机实践题，便于学生巩固所学的知识。平时对学生的考核内容包括出勤情况、学生的课后作业、课堂讨论等方面，占期末总评的50%。期末考试成绩占期末总评的50%。制订人签字：教研室主任签字：院部负责人签字：修订时间：年月S教学日历（20xx20xx学年第X学期）开课学院开课专业讲授学时64课程名称模式识别与机器学习授课教师实践/实验学时0授课年级授课班级总学时64使用教材模式识别与机器学习参考书目模式识别与机器学习校历周次授课内容分章节题目第1周第1章绪论（4学时）1.1 引言（0.5学时）1.2 模式

12、识别的基本概念（0.5学时）1.3 模式识别系统（1学时）1.4 机器学习的主要方法（1学时）1.5 概率分布（0.5学时）1.6 习题（0.5学时）第2周第2章贝叶斯统计决策（4学时）2.1 引言（1学时）2.2 最小错误率判别规则（1学时）2.3 最小风险判别规则（1学时）2.4 最大似然比判别规则（1学时）第3周第2章贝叶斯统计决策（4学时）2.4最大似然比判别规则（1学时）2.5Neyman-Pearson判别规则（2学时）2.6最小最大判别规则（1学时）第4周第2章贝叶斯统计决策（4学时）2.6 最小最大判别规则（1学时）2.7 分类器设计（1学时）2.8 正态分布中的贝叶斯分类方法

13、（1学时）2.9 小结（1学时）第5周第3章概率密度函数的估计（4学时）3.1引言（0.5学时）3.2最大似然估计（0.5学时）3. 3贝叶斯估计与贝叶斯学文（1学时）3.4EM估计方法（1学时）3.5非参数估计方法（0.5学时）3.6小结（0.5学时）第6周第4章线性分类与回归模型（4学时）4.1 引言（0.5学时）4.2 线性判别函数和决策面（1学时）4.3 广义线性判别函数（1学时）4.4 最小均方误差判别（1学时）4.5 线性回归模型（0.5学时）第7周第4章线性分类与回归模型（2学时）4.5 线性回归模型（0.5学时）4.6 正则化线性回归（1学时）4.7 小结（0.5学时）（0.5

14、学时）第5章其他分类方法（2学时）5.1 近邻法（1学时）5.2 逻辑斯蒂回归（1学时）第8周第5章其他分类方法（2学时）5.3 决策树与随机森林（1学时）5.4 小结（1学时）第6章无监督学习和聚类（2学时）6.1 引言（1学时）6.2 混合模型的估计（1学时）第9周第6章无监督学习和聚类（4学时）6.3 动态聚类管法（1学时）6.4 层次聚类算法（1学时）6.5 谱聚米（1学时）6.6 模糊聚类方法（1学时）第10周第6章无监督学习和聚类（2学时）6.7 相似性传播聚类（1学时）6.8 小结（1学时）第7章核方法和支持向量机（2学时）7.1引言（1学时）7.2核学习机（1学时）第11周第7章核方法和支持向量机（4学时）7.3 支持向量机（2学时）7.4 支持向量回归机类（1学时）7.5 小结（1学时）第12周第8章神经网络和深度学习（4学时）8.1 引言（1学时）8.2 感知器（2学时）8.