模式識別與機器學(xué)習(xí)-教學(xué)大綱、授課計劃 李映

《模式識別與機器學(xué)習(xí)》教學(xué)大綱課程信息課程名稱：模式識別與機器學(xué)習(xí)課程類別：素質(zhì)選修課/專業(yè)基礎(chǔ)課課程性質(zhì)：選修/必修計劃學(xué)時：64計劃學(xué)分：4先修課程：無選用教材：《模式識別與機器學(xué)習(xí)》李映主編，電子工業(yè)出版社，2023.6。適用專業(yè)：本課程可作為計算機科學(xué)領(lǐng)域機器學(xué)習(xí)和模式識別專業(yè)方向高年級本科生和研究生的教材，也可供相關(guān)技術(shù)人員參考。課程負(fù)責(zé)人：二、課程簡介本課程介紹模式識別和機器學(xué)習(xí)技術(shù)的主要方面，包括貝葉斯統(tǒng)計決策、概率密度函數(shù)的估計、線性分類與回歸模型、其他分類方法、無監(jiān)督學(xué)習(xí)和聚類、核方法和支持向量機、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)、特征選擇與提取等。三、課程教學(xué)要求序號專業(yè)畢業(yè)要求課程教學(xué)要求關(guān)聯(lián)程度1工程知識第1章緒論介紹模式識別的基本概念和模式識別系統(tǒng)、機器學(xué)習(xí)的主要方法以及隨機變量及分布，使讀者全面了解模式識別與機器學(xué)習(xí)的相關(guān)知識。第2章貝葉斯統(tǒng)計決策分析最小錯誤率判別規(guī)則、最小風(fēng)險判別規(guī)則、最大似然比判別規(guī)則、Neyman-Pearson判別規(guī)則、最小最大判別規(guī)則等經(jīng)典統(tǒng)計決策理論，以及分類器設(shè)計、正態(tài)分布時的貝葉斯分類方法。第3章概率密度函數(shù)的估計介紹最大似然估計、貝葉斯估計、EM估計等參數(shù)估計方法，以及Parzen窗和k近鄰估計等非參數(shù)估計方法。第4章線性分類與回歸模型介紹線性判別函數(shù)和決策面、廣義線性判別函數(shù)、最小均方誤差判別等經(jīng)典線性分類方法，以及線性回歸模型和正則化方法。第5章其他分類方法講述近鄰法、邏輯斯蒂歸、決策樹與隨機森林。第6章無監(jiān)督學(xué)習(xí)和聚類介紹無監(jiān)督混合模型估計，以及動態(tài)聚類、層次聚類、譜聚類、模糊聚類、相似性傳播聚類等無監(jiān)督聚類方法。第7章核方法和支持向量機介紹核學(xué)習(xí)機的基本思想，以及線性和非線性支持向量分類機與回歸機。第8章神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)討論感知器、多層神經(jīng)網(wǎng)絡(luò)、自組織映射神經(jīng)網(wǎng)絡(luò)等經(jīng)典神經(jīng)網(wǎng)絡(luò)模型，簡要介紹包括堆棧式自編碼網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、擴散模型和Transformer模型等深度學(xué)習(xí)模型。第9章特征選擇與提取介紹特征選擇的一般流程和過濾式、封裝式、入式、集成式等典型特征選擇方法，線性判別分析、主成分分析等線性特征提取方法，以及核的線性判別分析、核的主成分分析、流行學(xué)習(xí)等非線性特征提取方法。H2問題分析模式識別是從工程角度發(fā)展起來的，機器學(xué)習(xí)是從計算機科學(xué)的角度發(fā)展起來的。近年來，作為人工智能領(lǐng)域的核心技術(shù)和理論，它們之間的滲透越來越明顯。前些年，模式識別和機器學(xué)習(xí)基本上是作為兩門獨立的課程為高年級本科生和研究生開設(shè)的，所用的教材也是獨立的。近年來，隨著教學(xué)課程體系改革，有些高校整合了這兩門課程，新設(shè)了“模式識別和機器學(xué)習(xí)”課程，但國內(nèi)將這兩門課程合并的配套教材相對較少。H3設(shè)計/開發(fā)解決方案本課程從2014年開始講授本科生的“模式識別與機器學(xué)習(xí)”，將這兩門課程合并。既重視基礎(chǔ)理論和經(jīng)典方法的介紹，又兼顧前沿知識和最新模型的融入，力圖反映該領(lǐng)域的核心知識體系和新發(fā)展趨勢；每章的內(nèi)容盡可能做到豐富完整，并附有習(xí)題或上機實踐題。M4研究L5使用現(xiàn)代工具L6工程與社會學(xué)會將相應(yīng)技術(shù)應(yīng)用于實際生產(chǎn)和社會服務(wù)中，為社會做出貢獻。M7環(huán)境和可持續(xù)發(fā)展L8職業(yè)規(guī)范L9個人和團隊學(xué)會個人發(fā)展和團隊合作，提高個人和團隊的綜合素質(zhì)。H10溝通學(xué)會進行有效的溝通和表達，與客戶、同事和上級保持良好的溝通和協(xié)作。H11項目管理L12終身學(xué)習(xí)1.學(xué)會進行自我學(xué)習(xí)和自我提升，不斷提高自身的專業(yè)水平和創(chuàng)新能力。2.學(xué)會進行終身學(xué)習(xí)和職業(yè)發(fā)展規(guī)劃，不斷拓展職業(yè)領(lǐng)域和發(fā)展空間。H注：“課程教學(xué)要求”欄中內(nèi)容為針對該課程適用專業(yè)的專業(yè)畢業(yè)要求與相關(guān)教學(xué)要求的具體描述。“關(guān)聯(lián)程度”欄中字母表示二者關(guān)聯(lián)程度。關(guān)聯(lián)程度按高關(guān)聯(lián)、中關(guān)聯(lián)、低關(guān)聯(lián)三檔分別表示為“H”“M”或“L”?！罢n程教學(xué)要求”及“關(guān)聯(lián)程度”中的空白欄表示該課程與所對應(yīng)的專業(yè)畢業(yè)要求條目不相關(guān)。四、課程教學(xué)內(nèi)容章節(jié)名稱主要內(nèi)容重難點關(guān)鍵詞學(xué)時類型1緒論引言模式識別的基本概念模式識別系統(tǒng)機器學(xué)習(xí)的主要方法概逐分布習(xí)題1.了解模式空間、特征空間和類空間；2.掌握識別系統(tǒng)的功能包括模式采集、特征提取/選擇、分類等；3.了解機器學(xué)習(xí)的主要方法；4.掌握概率分布的相關(guān)內(nèi)容。4理論2貝葉斯統(tǒng)計決策引言最小錯誤率判別規(guī)則最小風(fēng)險判別規(guī)則最大似然比判別規(guī)則Neyman-Pearson判別規(guī)則最小最大判別規(guī)則分類器設(shè)計正態(tài)分布中的貝葉斯分類方法小結(jié)1.了解紹貝葉斯分類方法中的一般性判別規(guī)則；2.抽象出隨機模式的判別函數(shù)和決策面方程，給出兩種分類器結(jié)構(gòu)；3.了解并學(xué)會使用統(tǒng)計決策規(guī)則；4.了解正態(tài)分布中的貝葉斯分類方法。12理論3概率密度函數(shù)的估計引言最大似然估計貝葉斯估計與貝葉斯學(xué)文EM估計方法非參數(shù)估計方法小結(jié)掌握Parzen窗法和近鄰法。器的能力。4理論4線性分類與回歸模型引言線性判別函數(shù)和決策面廣義線性判別函數(shù)最小均方誤差判別線性回歸模型正則化線性回歸小結(jié)了解并掌握線性判別函數(shù)和決策面、廣義線性判別函數(shù)最小均方誤差判別、線性回歸模型以及正則化線性回歸的相關(guān)知識。6理論5其他分類方法引言近鄰法邏輯斯蒂回歸決策樹與隨機森林小結(jié)掌握近鄰法、邏輯斯蒂回歸、決策樹與隨機森林相關(guān)內(nèi)容。4理論6無監(jiān)督學(xué)習(xí)和聚類引言混合模型的估計動態(tài)聚類管法層次聚類算法譜聚米模糊聚類方法相似性傳播聚類小結(jié)1.了解混合模型的估計相關(guān)內(nèi)容；2.掌握動態(tài)聚類管法、層次聚類算法；3.了解譜聚米、模糊聚類方法和相似性傳播聚類相關(guān)內(nèi)容。8理論7核方法和支持向量機引言核學(xué)習(xí)機支持向量機支持向量回歸機小結(jié)1.了解支持向量機的分類及相關(guān)函數(shù)；2.了解支持向量回歸機的相關(guān)函數(shù)。6理論8神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)引言感知器多層前向神經(jīng)網(wǎng)絡(luò)自組織特征映射神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)小結(jié)1.了解感知器的概念、訓(xùn)練算法及收斂性；2.掌握感知器準(zhǔn)則函數(shù)及梯度法；3.了解多層多層前向神經(jīng)網(wǎng)絡(luò)組成等內(nèi)容；4.了解自組織特征映射神經(jīng)網(wǎng)絡(luò)的相關(guān)內(nèi)容；5.了解深度學(xué)習(xí)組成、結(jié)構(gòu)、相關(guān)編碼等內(nèi)容。12理論9特征選擇與提取引言特征選擇的一般流程特征選怪方?jīng)Q線性特征提取方法非線性特征提取方法小結(jié)1.了解特征選擇的一般流程；2.掌握特征選擇的各種方法；3.掌握線性的判別分析、主成分分析；4.掌握線性特征和非線性特征的提取方法。8理論五、考核要求及成績評定序號成績類別考核方式考核要求權(quán)重（%）備注1期末成績期末考試考試50百分制，60分為及格2平時成績課后作業(yè)9次40優(yōu)、良、中、及格、不及格3平時表現(xiàn)出勤情況10兩次未參加課程則無法獲得學(xué)分注：此表中內(nèi)容為該課程的全部考核方式及其相關(guān)信息。六、學(xué)生學(xué)習(xí)建議學(xué)習(xí)方法建議1.通過開展課堂討論、實踐活動，增強的團隊交流能力，學(xué)會如何與他人合作、溝通、協(xié)調(diào)等等。2.了解行業(yè)企業(yè)技術(shù)標(biāo)準(zhǔn)，注重學(xué)習(xí)新技術(shù)、新工藝和新方法，根據(jù)教材中穿插設(shè)置的相關(guān)實例，對已有技術(shù)持續(xù)進行更新。3.閱讀推薦的書籍、文獻和資料，擴展自己的知識面和視野，提高自己的綜合素質(zhì)和能力。學(xué)生課外閱讀參考資料《模式識別與機器學(xué)習(xí)》李映主編，電子工業(yè)出版社，2023.6。七、課程改革與建設(shè)本課程既重視基礎(chǔ)理論和經(jīng)典方法的介紹，又兼顧前沿知識和最新模型的融入，力圖反映該領(lǐng)域的核心知識體系和新發(fā)展趨勢；每章的內(nèi)容盡可能做到豐富完整，并附有習(xí)題或上機實踐題，便于學(xué)生鞏固所學(xué)的知識。平時對學(xué)生的考核內(nèi)容包括出勤情況、學(xué)生的課后作業(yè)、課堂討論等方面，占期末總評的50%。期末考試成績占期末總評的50%。制訂人簽字：教研室主任簽字：院部負(fù)責(zé)人簽字：修訂時間：年月日教學(xué)日歷（20xx～20xx學(xué)年第x學(xué)期）開課學(xué)院開課專業(yè)講授學(xué)時64課程名稱模式識別與機器學(xué)習(xí)授課教師實踐/實驗學(xué)時0授課年級授課班級總學(xué)時64使用教材《模式識別與機器學(xué)習(xí)》參考書目《模式識別與機器學(xué)習(xí)》校歷周次授課內(nèi)容分章節(jié)題目第1周第1章緒論（4學(xué)時）1.1引言（0.5學(xué)時）1.2模式識別的基本概念（0.5學(xué)時）1.3模式識別系統(tǒng)（1學(xué)時）1.4機器學(xué)習(xí)的主要方法（1學(xué)時）1.5概率分布（0.5學(xué)時）1.6習(xí)題（0.5學(xué)時）第2周第2章貝葉斯統(tǒng)計決策（4學(xué)時）2.1引言（1學(xué)時）2.2最小錯誤率判別規(guī)則（1學(xué)時）2.3最小風(fēng)險判別規(guī)則（1學(xué)時）2.4最大似然比判別規(guī)則（1學(xué)時）第3周第2章貝葉斯統(tǒng)計決策（4學(xué)時）2.4最大似然比判別規(guī)則（1學(xué)時）2.5Neyman-Pearson判別規(guī)則（2學(xué)時）2.6最小最大判別規(guī)則（1學(xué)時）第4周第2章貝葉斯統(tǒng)計決策（4學(xué)時）2.6最小最大判別規(guī)則（1學(xué)時）2.7分類器設(shè)計（1學(xué)時）2.8正態(tài)分布中的貝葉斯分類方法（1學(xué)時）2.9小結(jié)（1學(xué)時）第5周第3章概率密度函數(shù)的估計（4學(xué)時）3.1引言（0.5學(xué)時）3.2最大似然估計（0.5學(xué)時）3.3貝葉斯估計與貝葉斯學(xué)文（1學(xué)時）3.4EM估計方法（1學(xué)時）3.5非參數(shù)估計方法（0.5學(xué)時）3.6小結(jié)（0.5學(xué)時）第6周第4章線性分類與回歸模型（4學(xué)時）4.1引言（0.5學(xué)時）4.2線性判別函數(shù)和決策面（1學(xué)時）4.3廣義線性判別函數(shù)（1學(xué)時）4.4最小均方誤差判別（1學(xué)時）4.5線性回歸模型（0.5學(xué)時）第7周第4章線性分類與回歸模型（2學(xué)時）4.5線性回歸模型（0.5學(xué)時）4.6正則化線性回歸（1學(xué)時）4.7小結(jié)（0.5學(xué)時）（0.5學(xué)時）第5章其他分類方法（2學(xué)時）5.1近鄰法（1學(xué)時）5.2邏輯斯蒂回歸（1學(xué)時）第8周第5章其他分類方法（2學(xué)時）5.3決策樹與隨機森林（1學(xué)時）5.4小結(jié)（1學(xué)時）第6章無監(jiān)督學(xué)習(xí)和聚類（2學(xué)時）6.1引言（1學(xué)時）6.2混合模型的估計（1學(xué)時）第9周第6章無監(jiān)督學(xué)習(xí)和聚類（4學(xué)時）6.3動態(tài)聚類管法（1學(xué)時）6.4層次聚類算法（1學(xué)時）6.5譜聚米（1學(xué)時）6.6模糊聚類方法（1學(xué)時）第10周第6章無監(jiān)督學(xué)習(xí)和聚類（2學(xué)時）6.7相似性傳播聚類（1學(xué)時）6.8小結(jié)（1學(xué)時）第7章核方法和支持向量機（2學(xué)時）7.1引言（1學(xué)時）7.2核學(xué)習(xí)機（1學(xué)時）第11周第7章核方法和支持向量機（4學(xué)時）7.3支持向量機（2學(xué)時）7.4支持向量回歸機類（1學(xué)時）7.5小結(jié)（1學(xué)時）第12周第8章神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)（4學(xué)時）8.1引言（1學(xué)時）8.2感知器（2學(xué)時）8.3多層前向神經(jīng)網(wǎng)絡(luò)（1學(xué)時）第13周第8