1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供半年的技术支持。
        3、培训合格学员可享受免费推荐就业机会。

概论

− 模式识别的主要方法;

− 监督模式识别与非监督模式识别;

− 模式识别系统举例;

− 模式识别系统的典型构成

概率论基础知识

− 概率论基础知识 贝叶斯决策, 概率密度分布

− 最大似然估计

− 贝叶斯估计

− 维数问题（精度、维数和训练集的大小； 计算复杂度；过拟合）

概率密度分布的非参数估计

− 非参数估计的基本原理与直方图方法

− KN近邻估计方法

− Parzen窗法

− 最近邻规则

− 距离度量和最近邻分类

− RCE网络

− 级数展开逼近

− 统计量估计中的重采样技术(bootstrap, jackknife)

期望最大化(EM)

− 期望最大化

隐马尔可夫模型

− 隐马尔可夫模型

抽样方法

− 马尔可夫 蒙特卡洛

− Gibbs 采样

− Slice 采样

− 混合Monte carlo算法

2． 监督学习方法

内容

说明

线性回归

− 线性基础模型

− 偏方方差分解

− 贝叶斯线性回归

− 贝叶斯模型比较

− 参数估计（经验贝叶斯）

− 固定基础函数的限制

特征

− 特征选择

² 特征的评价准则

² 特征选择的最优算法

² 特征选择的次优算法

² 特征选择的遗传算法

² 以分类性能为准则的特征选择方法

− 特征提取

² 基于类别可分性判据的特征提取

² 主成分分析 (图像)

² Karhunen-Loeve变换

² 高维数据的低维显示

² 多维尺度法

² 非线性变换方法简介

² 多重判别分析

− 特征提取与选择对分类器性能估计的影响

分类器

− 线性分类器

² 线性判别函数的基本概念

² Fisher线性判别器

² 感知器

² 最小平方误差判别

² 最优分类器超平面与线性支持向量

² 拉普拉斯逼近（Laplace 逼近）

− 非线性分类器

² 分段判别函数

² 二次判别函数

² 多层感知机

² 支持向量机

² 核函数

− 其它分类器

² 近邻法

² 决策树

² 逻辑回归

² Boosting

² 随机方法

² 基于规则的方法

系统评价

− 监督模式识别方法的错误率估计

− 有限样本下错误率的区间估计问题

− 从分类的显著性推断特征与类别的关系

3． 非监督学习方法

内容

说明

模型方法

− 基于模型的方法

− 混合模型的估计(非监督最大似然估计;
正态分布情况下的非监督参数估计)

聚类方法

− 动态聚类

− 模糊聚类

− 分级聚类

− 自组织神经网络

− 划分聚类

− 聚类的准则函数

其它非监督方法

− 图论方法

− 在线聚类

− 图模型

− 非监督模式识别系统性能的评价

4． 图像处理相关内容

内容

说明

图像处理的基本方法

− 几何规范化 (平移，旋转，缩放等，复原，增强等)

− 灰度级差值 (最近邻差值等)

− 灰度规范化 (图像平滑、直方图均衡化、灰度变换)

− 边缘检测，梯度算子

− 形态学处理 (膨胀，腐蚀，开操作，闭操作，细化，粗化，骨架，裁剪等)

图像的特征提取

− 形状特征(轮廓特征, 区域特征)

− 纹理特征(LBP,HOG,SURF,SIFT,HAAR )

− 颜色特征(颜色直方图, 颜色矩, 颜色相关图)

− 空间关系特征(基于模型的姿态估计方法, 基于学习的姿态估计方法)