人工智能-模式识别

人工智能-模式识别

我要报名

课程介绍

模式识别(Pattern Recognition, PR)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。模式识别是计算机科学和人工智能中非常重要的一个研究领域，模式识别不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术，其应用遍及人工智能的各个领域，如图像分析与处理、计算机视觉、人脸识别、指纹识别、语音识别、自然语言理解、声音分类、通信、数据挖掘、智能机器人等。随着人工智能技术的快速发展，模式识别方面的人才成为国家急需的高层次技术人才。

培训对象

高级程序员、资深开发人员、人工智能工程师、图像设计人员、机器学习工程师、程序员、模式识别工程师。

培训目标

1，全面了解模式识别领域相关知识。

2，能将模式识别领域的技术应用于实际项目。

3，能将模式识别领域的技术和人工智能的其他技术进行结合，做扩展应用。

培训内容

第一讲 模式识别简介

1.1 什么是模式识别

1.2 为什么要模式识别

1.3 怎样来进行模式识别

1.4 模式识别的现实案例举例

第二讲 贝叶斯决策

2.1 最小错误率贝叶斯决策

2.2 最小风险错误率贝叶斯决策

2.3 ROC曲线

2.4 贝叶斯决策在语音识别中的应用案例

第三讲 朴素贝叶斯决策

3.1为什么要引入朴素贝叶斯决策

3.2 如何进行朴素贝叶斯决策

3.3 朴素贝叶斯在文本识别中的应用案例

第四讲 线性分类器

4.1 线性分类器是什么

4.2 Fisher线性判别的动机

4.3 Fisher线性判别的内涵是什么

4.4 Fisher线性判别在人脸检测中的应用案例

第五讲 人工神经网络

5.1 人工神经网络的设计动机是什么

5.2 单个神经元的功能

5.3人工神经网络的优化以及误差逆传播（BP）算法

5.4人工神经网络中需要注意的问题

5.5 人工神经网络在表情识别、流量预测中的应用案例

第六讲 最优分类面和支持向量机（SVM）

6.1 什么是最优分类面

6.2 SVM的本质是什么

6.3 SVM线性不可分时怎么办

6.4 SVM中核函数如何选择

6.5 SVM在车牌识别中的应用案例

第七讲 非线性分类器

7.1 什么时候使用非线性分类器

7.2 如何设计非线性分类器

7.3 非线性分类器在光学字符识别中的应用案例

第八讲 近邻法

8.1 近邻法的思想是什么

8.2 近邻法的缺点以及改进方案

8.3 近邻法中的过学习问题及解决方案

8.4 近邻法在相亲网站中的应用案例

第九讲 决策树

9.1 什么是非数值特征

9.2 为什么要引入决策树

9.3 如何设计决策树

9.4 如何构造随机森林

9.5 决策树在医疗系统中的应用案例

第十讲 Boosting

10.1 什么是Boosting算法

10.2 为什么要Boosting

10.3 如何Boosting

10.4 介绍Boosting算法典型代表Adaboost

10.5 Adaboost在人脸检测中的应用案例

第十一讲 特征选择

11.1 为什么要特征提取和特征选择

11.2 特征选择的最优算法

11.3 特征选择的次优算法

11.4 特征选择的遗传算法

11.5 特征选择在优化系统中的应用

第十二讲 特征提取

12.1 特征提取的一般性方法

12.2 主成分分析

12.3 主成分分析在扭曲指纹识别中的应用案例

12.4 K-L变换

12.5 K-L变换在人脸识别中的应用案例

第十三讲 非监督学习方法

13.1 什么是非监督学习？

13.2 单峰子集法

13.3 C均值方法

13.4 模糊C均值方法和改进的模糊C均值方法

13.5 非监督学习方法在石油勘探中的应用案例

司老师

清华大学博士，模式识别方面专家，在意大利举办的国际在线指纹识别竞赛中获得冠军，在模式识别和机器学习领域顶级期刊IEEE TPAMI等期刊发表多篇论文，拥有5个中国专利和1个美国专利，是模式识别、人工智能、机器学习、深度学习和图像处理和识别领域的实战派专家。

我要报名

在线报名：人工智能-模式识别(北京)

其他城市研发管理培训