?
培訓對象：
高級程序員、資深開發人員、人工智能工程師、圖像設計人員、機器學習工程師、程序員、模式識別工程師。
學員基礎：
1，對IT系統設計有一定的理論與實踐經驗。
2，對模式識別有一定的興趣。
培訓目標：
1，全面了解模式識別領域相關知識。
2，能將模式識別領域的技術應用于實際項目。
3，能將模式識別領域的技術和人工智能的其他技術進行結合，做擴展應用
課程大綱：
第一講 模式識別簡介
1.1 什么是模式識別
1.2 為什么要模式識別
1.3 怎樣來進行模式識別
1.4 模式識別的現實案例舉例
第二講 貝葉斯決策
2.1 最小錯誤率貝葉斯決策
2.2 最小風險錯誤率貝葉斯決策
2.3 ROC曲線
2.4 貝葉斯決策在語音識別中的應用案例
第三講 樸素貝葉斯決策
3.1為什么要引入樸素貝葉斯決策
3.2 如何進行樸素貝葉斯決策
3.3 樸素貝葉斯在文本識別中的應用案例
第四講 線性分類器
4.1 線性分類器是什么
4.2 Fisher線性判別的動機
4.3 Fisher線性判別的內涵是什么
4.4 Fisher線性判別在人臉檢測中的應用案例
第五講 人工神經網絡
5.1 人工神經網絡的設計動機是什么
5.2 單個神經元的功能
5.3人工神經網絡的優化以及誤差逆傳播（BP）算法
5.4人工神經網絡中需要注意的問題
5.5 人工神經網絡在表情識別、流量預測中的應用案例
第六講 最優分類面和支持向量機（SVM）
6.1 什么是最優分類面
6.2 SVM的本質是什么
6.3 SVM線性不可分時怎么辦
6.4 SVM中核函數如何選擇
6.5 SVM在車牌識別中的應用案例
第七講 非線性分類器
7.1 什么時候使用非線性分類器
7.2 如何設計非線性分類器
7.3 非線性分類器在光學字符識別中的應用案例
第八講 近鄰法
8.1 近鄰法的思想是什么
8.2 近鄰法的缺點以及改進方案
8.3 近鄰法中的過學習問題及解決方案
8.4 近鄰法在相親網站中的應用案例
第九講 決策樹
9.1 什么是非數值特征
9.2 為什么要引入決策樹
9.3 如何設計決策樹
9.4 如何構造隨機森林
9.5 決策樹在醫療系統中的應用案例
第十講 Boosting
10.1 什么是Boosting算法
10.2 為什么要Boosting
10.3 如何Boosting
10.4 介紹Boosting算法典型代表Adaboost
10.5 Adaboost在人臉檢測中的應用案例
第十一講 特征選擇
11.1 為什么要特征提取和特征選擇
11.2 特征選擇的最優算法
11.3 特征選擇的次優算法
11.4 特征選擇的遺傳算法
11.5 特征選擇在優化系統中的應用
第十二講 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紋識別中的應用案例
12.4 K-L變換
12.5 K-L變換在人臉識別中的應用案例
第十三講 非監督學習方法
13.1 什么是非監督學習？
13.2 單峰子集法
13.3 C均值方法
13.4 模糊C均值方法和改進的模糊C均值方法
13.5 非監督學習方法在石油勘探中的應用案例
