人工智能之模式识别

『课程目录』:               
│  ├─{1}–模块1课程导论
│  │  ├─{1}–学习目标:理解模式识别的定义,了解课程学习目标、学习内容和学习方
│  │  ├─{2}–1.1什么是模式识别?
│  │  │      (1.2.1)–1.1课程文档.pdf6 O2 g' U& L) e0 f. U
│  │  │      [1.2.1]–1.1.1人工智能之模式识别.mp45 n8 m1 o/ K9 N# e+ b6 F
│  │  │      [1.2.2]–1.1.2模式识别的定义.mp4
│  │  │      [1.2.3]–1.1.3模式识别的广泛应用.mp4
│  │  │      
│  │  └─{3}–1.2课程学习导引) q% \# b+ M, N, [4 O
│  │          (1.3.1)–1.2课程文档.pdf, I: i! K7 {( l. H/ r
│  │          [1.3.1]–1.2.1学习目标和学习内容.mp47 m" K4 k# x0 r$ Z+ T
│  │          [1.3.2]–1.2.2学习方法和学习路径.mp41 j/ G: w# D2 k, s, ~
│  │          
│  ├─{2}–模块2模式识别系统' r' |* {$ n+ i* h
│  │  ├─{1}–学习目标:1.理解模式识别的基础概念:包括特征与特征空间、有监督
│  │  ├─{2}–2.1模式识别的基本概念) U6 f8 h/ `! v; B/ \1 ]7 _2 z
│  │  │      (2.2.1)–2.1课程文档.pdf3 r5 e" w) ]/ Z  F, q
│  │  │      [2.2.1]–2.1.1特征与特征空间.mp4* r* L+ J) d4 Z0 o
│  │  │      [2.2.2]–2.1.2有监督学习与无监督学习.mp4+ m$ x6 E( @, W& z& A1 v
│  │  │      [2.2.3]–2.1.3紧致性与维数灾难.mp4; ~7 L  M* n+ D: f" C' y& A0 J5 o" _
│  │  │      [2.2.4]–2.1.4泛化能力与过拟合.mp46 h5 k" i. P9 \8 w9 h
│  │  │      [2.2.5]–2.1.5模式识别系统.mp46 @% Z8 d, |8 L1 {5 R
│  │  │      
│  │  ├─{3}–2.2模式识别的算法体系8 f1 O9 U0 H: J) v1 `/ c
│  │  │      (2.3.1)–2.2课程文档.pdf: K9 q9 o  G3 |5 X* |
│  │  │      [2.3.1]–2.2模式识别的算法体系.mp4
│  │  │      
│  │  ├─{4}–2.3第一个模式识别算法实例% \; x: s& y- }% c- `) U3 H3 ~! x
│  │  │      (2.4.1)–2.3课程文档.pdf# ~) _$ {, C. d) `' [+ [* P" X/ d
│  │  │      (2.4.2)–课程数据集简介.pdf" L  ]0 ]; v8 T% s& V, s
│  │  │      [2.4.1]–2.3.1问题:手写数字识别.mp4* q: P1 n! L2 k6 i+ S
│  │  │      [2.4.2]–2.3.2算法:从模板匹配开始.mp4% g/ _* O) z. y+ p. r
│  │  │      
│  │  └─{5}–2.4算法实例演示-模板匹配
│  │          (2.5.1)–2.4课程文档.pdf
│  │          [2.5.1]–2.4算法实例演示:模板匹配.mp4/ j5 u$ M; x* c1 K8 k8 ]
│  │          
│  ├─{3}–模块3线性分类器
│  │  ├─{1}–学习目标:1.理解线性分类器的基本原理:包括线性判别和广义线性判
│  │  ├─{2}–3.1线性判别# `# b5 e- |# m& Q# l; o8 G
│  │  │      (3.2.1)–3.1课程文档.pdf
│  │  │      [3.2.1]–3.1.1线性判别和广义线性判别.mp4
│  │  │      [3.2.2]–3.1.2多分类线性判别.mp4: T( D+ S6 y* K5 ~. t# I4 S
│  │  │      [3.2.3]–3.1.3线性判别函数的几何意义.mp43 t8 s7 C! b! U7 P$ F
│  │  │      
│  │  ├─{3}–3.2感知器算法
│  │  │      (3.3.1)–3.2课程文档.pdf
│  │  │      [3.3.1]–3.2.1线性分类器训练的一般思路.mp4
│  │  │      [3.3.2]–3.2.2感知器算法的原理.mp4
│  │  │      [3.3.3]–3.2.3感知器算法的学习速率.mp4& p2 e8 f3 O& E# c
│  │  │      [3.3.4]–3.2.4感知器算法的深入分析.mp4
│  │  │      5 a2 j$ p" s1 J$ R
│  │  ├─{4}–3.3算法实例演示:线性分类器. u8 b* w7 }" p" t
│  │  │      (3.4.1)–3.3课程文档.pdf
│  │  │      [3.4.1]–3.3算法实例演示:线性分类器.mp4% h; Z4 M. s: _0 o# n2 B0 `# ^0 c
│  │  │      
│  │  ├─{5}–3.4LMSE算法
│  │  │      (3.5.1)–3.4课程文档.pdf
│  │  │      [3.5.1]–3.4.1线性分类器的松弛求解.mp4
│  │  │      [3.5.2]–3.4.2H-K算法.mp4
│  │  │      – }% f7 d1 ]8 C4 c0 d$ |2 ~
│  │  ├─{6}–3.5支持向量机
│  │  │      (3.6.1)–3.5课程文档.pdf
│  │  │      [3.6.1]–3.5.1支持向量机的原理.mp4  n+ {9 i. J7 r9 w: j* o( c4 X
│  │  │      [3.6.2]–3.5.2结构风险最小化准则.mp43 @& B* N$ Q4 n/ W7 @3 ~2 Q% x3 _
│  │  │      [3.6.3]–3.5.3线性不可分时的SVM之一软间隔支持向量机.mp42 f8 e9 E8 A) w0 u9 g
│  │  │      [3.6.4]–3.5.4线性不可分时的SVM之二非线性支持向量机.mp4& Z1 A/ e! o7 D) x# K* t% I
│  │  │      : V- G3 }3 f% K
│  │  └─{7}–3.6算法实例演示:支持向量机
│  │          (3.7.1)–3.6课程文档.pdf
│  │          [3.7.1]–3.6算法实例演示:支持向量机.mp4
│  │          
│  ├─{4}–模块4贝叶斯分类器9 W2 v/ N% E, g6 k: h3 T/ V" g
│  │  ├─{1}–学习目标:1.理解贝叶斯分类器的原理,并能够编程实现贝叶斯分类器! i2 m' ~. O$ S+ E$ p6 Z5 n% i
│  │  ├─{2}–4.1贝叶斯分类器; ?; k; N1 ]+ }( x3 G$ x
│  │  │      (4.2.1)–4.1课程文档.pdf
│  │  │      [4.2.1]–4.1.1逆概率推理与贝叶斯公式.mp4
│  │  │      [4.2.2]–4.1.2贝叶斯分类的原理.mp4
│  │  │      [4.2.3]–4.1.3几种常用的贝叶斯分类器.mp49 a1 `% o, s- X' U
│  │  │      [4.2.4]–4.1.4正态分布下的贝叶斯分类.mp4! e% x6 Z3 p* `) S1 D' ]
│  │  │      [4.2.5]–4.1.5贝叶斯分类的错误率.mp4/ j& v; R2 A8 E9 e" l0 m4 x4 @2 L( v
│  │  │      7 ~# r9 v# `: S1 K# y, Z4 W2 ^
│  │  ├─{3}–4.2贝叶斯分类器的训练& `4 F8 u# R/ K% I/ n7 K, v
│  │  │      (4.3.1)–4.2课程文档.pdf
│  │  │      [4.3.1]–4.2.1贝叶斯分类器的训练.mp4* X! S: d5 N! h+ e/ v' e
│  │  │      [4.3.2]–4.2.2极大似然估计和贝叶斯估计.mp4  s7 Q1 A5 s& e$ Q+ w% i9 A
│  │  │      
│  │  ├─{4}–4.3算法实例演示:贝叶斯分类器
│  │  │      (4.4.1)–4.3课程文档.pdf) O0 s( o4 Q8 T  P9 R8 t% z
│  │  │      [4.4.1]–4.3算法实例演示:贝叶斯分类器.mp40 Q3 q& ~+ x8 f9 h* `0 g
│  │  │      
│  │  ├─{5}–4.4最近邻算法' D+ S6 `" L! w% E
│  │  │      (4.5.1)–4.4课程文档.pdf
│  │  │      [4.5.1]–4.4.1最近邻规则和最近邻分类器.mp4
│  │  │      [4.5.2]–4.4.2K近邻算法及其优化.mp4
│  │  │      
│  │  └─{6}–4.5算法实例演示:最近邻算法
│  │          (4.6.1)–4.5课程文档.pdf
│  │          [4.6.1]–4.5算法实例演示:最近邻算法.mp4
│  │          
│  ├─{5}–模块5特征降维– i$ }1 z' J8 y6 O% M) \" T
│  │  ├─{1}–学习目标:1.理解特征降维的基本概念;2.理解特征降维的主要方法7 }" w" T- y/ f) Z: ?- {
│  │  ├─{2}–5.1特征降维的基本概念
│  │  │      (5.2.1)–5.1课程文档.pdf" d4 w* N& k7 N
│  │  │      [5.2.1]–5.1.1特征降维的主要方法.mp40 _' K0 x# C( }& w& d
│  │  │      [5.2.2]–5.1.2类别可分性度量.mp4* ~/ o5 Y9 H  J/ X" e# x8 O! s
│  │  │      ! ]% @7 Y2 R" y6 h, ]$ t
│  │  └─{3}–5.2特征降维算法
│  │          (5.3.1)–5.2课程文档.pdf
│  │          [5.3.1]–5.2.1特征提取算法.mp41 H" P3 w2 N  k$ i0 a. p
│  │          [5.3.2]–5.2.2特征选择算法.mp44 \3 M/ r. S& N* \
│  │          
│  ├─{6}–模块6聚类算法
│  │  ├─{1}–学习目标:1.理解数据聚类的基本概念、特点和聚类算法的一般流程;( |2 n1 L  M, Y, ^5 J
│  │  ├─{2}–6.1什么是数据聚类?
│  │  │      (6.2.1)–6.1课程文档.pdf6 W; W* F) x. G; s
│  │  │      [6.2.1]–6.1.1数据聚类的定义.mp4
│  │  │      [6.2.2]–6.1.2数据聚类的特点.mp41 T& W+ X9 G* O' X. I
│  │  │      [6.2.3]–6.1.3数据聚类的应用.mp4
│  │  │      [6.2.4]–6.1.4数据聚类的流程.mp4
│  │  │      
│  │  ├─{3}–6.2主要聚类算法
│  │  │      (6.3.1)–6.2课程文档.pdf. D) E3 E6 X% ]1 V7 v
│  │  │      [6.3.1]–6.2.1试探法聚类.mp42 a8 y* x. j/ @; S, @7 T
│  │  │      [6.3.2]–6.2.2层次法聚类.mp4, Y! B& [% r3 y7 y
│  │  │      [6.3.3]–6.2.3动态聚类算法.mp4' N5 Q0 @' P- o9 x1 b5 e
│  │  │      3 Y- y6 @; ]3 \# ^1 j
│  │  └─{4}–6.3算法实例演示:k均值聚类
│  │          (6.4.1)–6.3课程文档.pdf
│  │          [6.4.1]–6.3算法实例:k均值聚类.mp4
│  │            R9 J, R: k- k9 R; F
│  ├─{7}–模块7组合分类器
│  │  ├─{1}–学习目标:1.理解组合分类器的原理;2.理解Adaboost算法
│  │  ├─{2}–7.1组合分类的原理( w- C* |1 v/ U8 h: h, ]
│  │  │      (7.2.1)–7.1课程文档.pdf9 H) _  m+ I3 T" V5 X# f. f* y
│  │  │      [7.2.1]–7.1.1组合分类器的概念.mp4
│  │  │      [7.2.2]–7.1.2组合分类器的主要类型.mp4
│  │  │      
│  │  ├─{3}–7.2典型的组合分类算法% c7 U% r/ z1 K% y8 c
│  │  │      (7.3.1)–7.2课程文档.pdf. R  o6 F7 f6 C; w( g
│  │  │      [7.3.1]–7.2.1随机森林算法.mp4, ?$ v' O' a; q- W' g
│  │  │      [7.3.2]–7.2.2Adaboost算法.mp45 e/ z$ C. f4 }, `; d- M8 ~; u
│  │  │      , V. c. J- n- t& F' i9 I
│  │  ├─{4}–7.3算法实例演示:Adaboost. ^) [0 ?. _: _5 y  v
│  │  │      (7.4.1)–7.3课程文档.pdf
│  │  │      [7.4.1]–7.3算法实例演示:Adaboost.mp4" R5 z6 k/ E0 \
│  │  │      
│  │  └─{5}–7.4算法实例演示:随机森林
│  │          (7.5.1)–7.4课程文档.pdf
│  │          [7.5.1]–7.4算法实例演示:随机森林.mp4– R9 V3 k* d$ k9 J! T  w. N, R% Z
│  │          / k0 y% X4 r% e6 t: N- C
│  ├─{8}–模块8模糊模式识别
│  │  ├─{1}–学习目标:1.理解与模糊模式识别相关的模糊数学基础知识;2.理解
│  │  ├─{2}–8.1模糊模式识别的基础知识! S7 @2 S# \9 g" U
│  │  │      (8.2.1)–8.1课程文档.pdf7 U1 I; T6 x/ ?' O7 d
│  │  │      [8.2.1]–8.1.1模糊集合的定义及基本运算.mp4  [3 k0 F$ X* _9 [& u( R& p
│  │  │      [8.2.2]–8.1.2模糊关系及模糊矩阵.mp41 S( d! s) c8 r: S& a
│  │  │      & j0 Z  y5 F6 k8 a0 T5 T
│  │  ├─{3}–8.2模糊模式识别算法
│  │  │      (8.3.1)–8.2课程文档.pdf/ T0 K4 Z& p& C. B& W. m1 y& n5 y
│  │  │      [8.3.1]–8.2.1模糊模式识别的算法体系.mp4
│  │  │      [8.3.2]–8.2.2最大隶属度识别法.mp4
│  │  │      [8.3.3]–8.2.3择近原则识别法.mp4
│  │  │      [8.3.4]–8.2.4模糊聚类算法.mp43 V2 C/ M# y( K3 D
│  │  │      
│  │  └─{4}–8.3算法实例演示:模糊k均值聚类
│  │          (8.4.1)–8.3课程文档.pdf. j  W$ w  S* }. K* T- }
│  │          [8.4.1]–8.3算法实例演示:模糊k均值聚类.mp45 L) V$ u, G5 P9 @: i6 g/ P1 X
│  │          4 ?+ {3 m# K/ Y
│  └─{9}–模块9神经网络分类器0 j7 w5 h* P" @* L/ f) f4 w) B
│      ├─{1}–学习目标:1.理解人工神经元网络的基本概念和用于模式识别的基本原1 x! Y. }  L0 y1 f
│      ├─{2}–9.1人工神经元网络的基本概念3 q! c- {/ [$ E: ]
│      │      (9.2.1)–9.1课程文档.pdf6 ?  H- ~& |5 f7 f% o$ n
│      │      [9.2.1]–9.1.1人工神经元模型.mp4# ~1 ^/ Q- R% ?8 F" Q! V: I( m
│      │      [9.2.2]–9.1.2人工神经元网络.mp4
│      │      [9.2.3]–9.1.3人工神经元的学习规则.mp4
│      │      [9.2.4]–9.1.4人工神经网络的学习规则.mp4! H9 c& [6 _& c* o2 g1 {
│      │        V+ U; J5 P: S- V
│      ├─{3}–9.2浅层神经网络: J2 E* J+ D# u2 g6 ?1 o  y" r
│      │      (9.3.1)–9.2课程文档.pdf$ g0 G4 I( A2 ^
│      │      [9.3.1]–9.2.1感知器网络.mp4
│      │      [9.3.2]–9.2.2BP网络.mp48 D1 m2 R2 ?7 f$ p  q) @( ^: k4 b( \
│      │      – T' Z/ j8 b, A% O  H4 g- m7 i
│      ├─{4}–9.3算法实例演示:BP算法8 [7 `& [8 |1 W* O
│      │      (9.4.1)–9.3课程文档.pdf
│      │      [9.4.1]–9.3算法实例演示:BP算法.mp4
│      │      2 q4 s1 C+ s1 J6 T0 k5 T2 V
│      ├─{5}–9.4深度学习
│      │      (9.5.1)–9.4课程文档.pdf
│      │      [9.5.1]–9.4.1深度学习的概念与特点.mp4
│      │      [9.5.2]–9.4.2深度信念网络的结构.mp4
│      │      [9.5.3]–9.4.3深度信念网络的训练.mp4/ b7 \* Y; r& P
│      │      [9.5.4]–9.4.4卷积神经网络的原理.mp4
│      │      [9.5.5]–9.4.5卷积神经网络的结构与训练.mp4, T; ?$ Q, G8 ^
│      │      
│      └─{6}–9.5算法实例演示:CNN9 @) n1 ], e7 G9 W, C' A
│              (9.6.1)–9.5课程文档.pdf
│              [9.6.1]–9.5算法实例演示:CNN.mp41 I/ F1 f6 y- ~2 y* a3 m
│  │        ! F- O. S- U. ^; ^
│  ├─{10}–模块10结构模式识别2 e7 e/ r: z" v& \( b5 \
│  │  ├─{1}–学习目标:1.理解结构模式识别的基础概念和基本原理;2.理解与句
│  │  ├─{2}–10.1结构模式识别原理
│  │  │      (10.2.1)–10.1课程文档.pdf
│  │  │      [10.2.1]–10.1.1结构模式识别的基本概念.mp4
│  │  │      [10.2.2]–10.1.2结构模式识别的主要方法.mp4
│  │  │      * k- p# m. ^# F; Z2 B# z# `
│  │  ├─{3}–10.2形式语言理论基础
│  │  │      (10.3.1)–10.2课程文档.pdf
│  │  │      [10.3.1]–10.2.1形式语言理论的基本概念.mp4
│  │  │      [10.3.2]–10.2.2四种文法类型.mp4  i6 _  K3 V2 \+ n4 L5 H
│  │  │      ; T( ?% R' B0 n8 d, i% R
│  │  ├─{4}–10.3句法分析方法, b- h) _, A4 m& V" B3 B4 Q& p
│  │  │      (10.4.1)–10.3课程文档.pdf. a8 U; p, r: W7 w( @9 x3 U' s
│  │  │      [10.4.1]–10.3句法分析方法.mp4% j: X2 L5 x% R5 E
│  │  │      
│  │  └─{5}–10.4算法实例演示:句法识别
│  │          (10.5.1)–10.4课程文档.pdf. H4 n$ K2 K# }
│  │          [10.5.1]–10.4算法实例演示:句法识别.mp4

抱歉,此资源仅限VIP下载,请先
本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
此资源仅对VIP开放下载
下载说明:本资源为虚拟可复制性产品,购买后不允许退款,谢谢您的支持!如遇链接失效,请添加客服QQ:3197428804 索取新的链接
0

评论0

请先

没有账号? 忘记密码?