机器学习与模式识别》教学大纲
课程编号： 071243B
课程类型：□通识教育必修课□通识教育选修课■专业必修课□专业选修课□学科基础课总学时： 48 讲课学时： 32 实验（上机）学时： 16 学分： 3
适用对象：计算机科学与技术专业
先修课程：程序设计基础与应用、数据结构、高等数
学、算法导论
一、教学目标
《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。本课程是面向计算机技术开设的专业选修课。其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。模式识别部分是研究计算机模式识别的基本理论、方法和应用。通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。
学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。
目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。
目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。
目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。
二、教学内容及其与毕业要求的对应关系（黑体，小四号字）本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov 模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。
通过教学和实践，培养学生运用数学工具和方法分析问题和从多角度运用数学工具解决问题的基本能力，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力，训练学生的逻辑思维能力和想象力。
在教学中，鼓励学生运用算法知识解决各个学科的实际计算问题，培养学生初步的独立开展科研工作的能力和理论联系实践，解决实际问题的能力，同时，为后续课程以及将来的研究工作提供必要的基础。
此外，配合实验课程的教学，学生应理论联系实际，理论指导实践，通过规范地完成项目实践进一步巩固所学的相关书本知识，在知识、能力、素质上得到进一步的提高。
三、各教学环节学时分配
教学课时分配
四、教学内容
第1 章绪论
教学重点、难点：决策论与信息论基础、损失函数、错分率的最小化、期望损失的最小化等；相对熵、互信息。模式与模式识别、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。
课程的考核要求：熟悉机器学习与模式识别的基本定义和术语；基本数学知识。
了解：了解机器学习与模式识别的研究范围和内容。
理解：决策论与信息论基础、损失函数、错分率的最小化、期望损失的最小化等；相对熵、互信息。模式与模式识别、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等概念。
掌握：掌握决策论与信息论基础、模式识别的主要方法。
应用：与实际问题相呼应。
复习思考题：见参考文献。
第2 章概率分布
教学重点、难点：高斯分布、混合高斯分布、Dirichlet 分布、
beta 分布
课程的考核要求：熟悉最大似然估计、贝叶斯估计与贝叶斯学习、概率密度估计的非参数方法。
了解：最大似然估计、充分统计量、共轭先验、无信息先验等。非参数方法：核密度估计、近邻法
理解：neyman-pearson 决策与roc 曲线、正态分布时的统计决策、错误率的计算、、概率密度函数的估计
掌握：掌握最小错误率贝叶斯决策、最小风险贝叶斯决策、两类错误
率。应用：离散概率模型下的统计决策举例。
复习思考题：见参考文献。
第3 章回归的线性模型教学重点、难点：贝叶斯线性回归。课程的考核要求：熟悉线性基函数模型。了解：贝叶斯模型比较。
理解：等价核的概念。
掌握：掌握贝叶斯模型。
应用：各种分布的具体应用。复习思考题：见参考文献。
第4 章分类的线性模型：
教学重点、难点：最优分类超平面与线性支持向量机。
课程的考核要求：熟悉判别函数：二分类和多分类的Fisher 线性判别、概率生成模型：连续输入、离散特征。
了解：fisher 线性判别分析。
理解：多类线性分类器。
掌握：线性判别函数的基本概念、感知器、最小平方误差判别
应用：分类模型的具体应用。
复习思考题：见参考文献
第5 章神经网络教学重点、难点：神经网络的正则化。
课程的考核要求：熟悉各种神经网络及其梯度下降的概念。了解：
hessian 矩阵及混合密度网络。
理解：贝叶斯神经网络、多层感知器神经网络。
掌握：前馈神经网络及神经网络的训练
应用：进行神经网络实验的具体应用。
复习思考题：见参考文献。
第6 章核方法：教学重点、难点：构造核函数课程的考核要求：熟悉对偶表示、径向基函数网络、Nadaraya-Watson 模型了解：
Laplace 逼近
理解：高斯过程模型用于回归和分类。掌握：高斯过程
应用：核方法与神经网络的联系。复习思考题：见参考文献。
第7 章稀疏核集
教学重点、难点：最优分类超平面与线性支持向量机、用于多分类和
回归的支持向量机。
课程的考核要求：熟悉判别函数：二分类和多分类的Fisher 线性判别、概率生成模型：连续输入、离散特征。
了解：各种变种
理解：多类线性分类器以及最大边缘分类器。掌握：统计学习理论
应用：稀疏核集的具体应用。
复习思考题：见参考文献
第8 章图模型：教学重点、难点：Markov 随机场课程的考核要求：熟悉因子分解。
了解：循环置信传播
理解：图模型中的推断
掌
握：
条件独立的内容
应用：置信网络的具体应用。
复习思考题：见参考文献
第9 章混合模型和期望最大化( Expectation Maximization ，EM)算法教学重点、难点：高斯混合模型的参数估计、EM一般算法及其应用课程的考核要求：、EM一般算法及其应用、最大似然估计、EM算法、贝叶斯线性回归
了解：伯努利分布的混合
理解：高斯混合模型的参数估计。
掌握：最大似然估计、EM算法、贝叶斯线性回归
应用：贝叶斯线性回归的EM算法。复习思考题：见参考文献。
第10 章隐Markov 模型和条件随机场模型
教学重点、难点：隐Markov 模型、条件随机场及其应用
课程的考核要求：熟悉隐Markov 模型、条件随机场及其应用、Viterbi 算法
了解：Baum-Welch 算法等
理解：向前-向后算法
掌握：熟悉隐Markov 模型、条件随机场及其应用、Viterbi 算法
应用：隐Markov模型和条件随机场模型的具体应用。
复习思考题：见参考文献
第11 章特征选择
教学重点、难点：特征选择的最优算法
课程的考核要求：特征的评价准则、特征选择的最优算法
了解：特征选择的次优算法
理解：特征选择的遗传算法
掌握：以分类性能为准则的特征选择方法
应
用：
特征选择的具体应用。
天津大学《模式识别2》课程教学大纲 课程代码：2160265 课程名称：模式识别2 学 时： 20 学 分： 1 学时分配： 授课：12 上机：8 实验： 实践： 实践（周）： 授课学院： 计算机学院 适用专业： 计算机科学与技术 先修课程： 高等数学，线性代数，概率统计 一．课程的性质与目的 本课程讲授模式识别的基本理论与基本方法。具体介绍模式识别问题定义，贝叶斯分类器，错误率估计，概率密度估计，窗方法，线性判别分类器，多类别分类，紧邻法，支持向量机，人工神经网络，分类树，K均值聚类，分级聚类等基础模式识别算法的理论和实际使用方法。 二．教学基本要求 要求学生了解模式识别的基本理论，掌握基本算法原理，能够根据给出的数据和要求，选择合适的算法，使用现有的软件解决模式识别的模型训练，测试，性能评价问题。 三．教学内容 第一章：模式识别的问题定义与数据收集 介绍模式识别的问题定义方法，数据形式，模型形式，并指导学生进行一次实际的数据收集。 实践内容：收集包括身高，体重，性别三个维度的数据，并按照模式识别的数据要求进行整理 第二章：贝叶斯分类器及其性能评价 介绍贝叶斯分类器，两种错误的概念及其估计，证明最小错误率分类器，介绍概率密度估计的基本理论，窗估计方法，介绍性能评价体系，交叉验证的概念，过学习的概念，推广性的概念。 实践内容：利用第一章中收集的数据，建立贝叶斯分类器并进行性能评价。
第三章：线性分类器 介绍线性分类器的基本理论，Fisher线性判别器，线性分类器的性能评价。 实践内容：利用第一章的数据，建立Fisher线性分类器，并进行性能评价。 第四章：人工神经网络和支持向量机简介 介绍人工神经网络的基本概念和算法，反向传播（BP）训练算法，支持向量机基本概念和算法。简单介绍统计机器学习理论（SLT）的最基本概念：VC维，泛化能力，模型选择定理。 实践内容：利用第一章中的数据，建立人工神经网络和支持向量机模型，并进行性能评价。 第五章：紧邻法 介绍紧邻法的基本理论和方法，紧邻法的错误率边界定理，紧邻法的实现技术，紧邻法在应用上的优势与局限，稀疏性问题。 实践内容：利用第一章中的数据，建立紧邻法分类模型并进行性能评价 第六章：分类树 介绍分类树的基本理论和方法，介绍C4.5算法的理论与实现。 实践内容：利用第一章中的数据，建立分类树模型并进行性能评价。 第七章：聚类 介绍聚类与无监督学习的基本理论和方法，介绍K均值聚类，分级聚类的理论与实现。简单介绍K均值聚类算法的局限和改进算法。简单介绍半监督学习的基本方法。 实践内容：利用第一章中的数据，建立聚类模型，并进行模型评价 第八章：分类器组合与在线算法 介绍分类器组合的基本理论和基本算法，介绍Logistic和semi-logistic 回归技术,AdaBoost技术，Bagging和BootStrap技术，介绍模型训练的在线算法的基本概念和实现算法在线化的基本方法。 实践内容：利用第一章中的数据，建立组合分类器，并进行模型评价 四．学时分配
《模式识别与人工智能》课程教学大纲 一、课程基本信息 课程代码：DX3004 课程名称：模式识别与人工智能 课程性质：选修课 课程类别：专业与专业方向课程 适用专业：电气信息类专业 总学时： 64 学时 总学分： 4 学分 先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计 后续课程：语音处理技术；数字图像处理 课程简介： 模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。 选用教材： 《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999； 参考书目： [1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009； [2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005； [3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010； 二、课程总目标 本课程为计算机应用技术专业本科生的专业选修课。通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。了解模式识别的应用和系统设计。要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。 三、课程教学内容与基本要求 1、教学内容： （1）模式识别与人工智能基本知识； （2）贝叶斯决策理论； （3）概率密度函数的估计； （4）线性判别函数； （5）非线性胖别函数；
华南理工大学本科课程教学大纲基本格式 《图像处理与分析技术》教学大纲 总学时：54 理论课学时：48 实验课学时：6 一、课程的性质 人类从外接获得的信息约有75%是从图像中获得的。随着计算机技术的高速发展,数字图像技术今年来得到极大的重视和长足的进展，并已在科学研究、军事、遥感、天文、地质、工业生产、医疗卫生、教育、管理和通信等方面得到了广泛的应用，对推动社会发展、改善人们的生活水平起到了重要的作用。本课程介绍图像处理和分析的基本原理、典型方面和实用技术。通过本课程的学习，较为全面地了解该领域的基本理论、技术、应用和发展。为将来应用于实际和进行科学研究打下良好的基础。本课程适合相关专业的大学本科高年级学生和研究生学习。 二、课程的目的与教学基本要求 教学目的：使学生对图像处理与分析的理论和技术有较全面的了解和掌握。 基本要求：通过本课程学习，掌握基本概念和原理，应用其中的理论和方法解决问题。 三、课程适用专业 信号与信息处理、通信与信息系统、计算机应用技术、生物医学工程等 四、课程的教学内容、要求与学时分配 1．理论教学部分： 第一章绪论(2学时) 图像处理和分析系统介绍,数字图像的数学描述. 第二章图像和视觉基础(2学时) 1亮度视觉 2颜色视觉 第三章图像变换(4学时) 1.傅立叶变换和性质 2.图像变换的通用公式 3.其它可分离图像变换、离散余弦变换、沃尔什-哈德码变换 4 霍德林变换
第四章图像增强(6学时) 1.图像的对比度增强 2.图像的噪声平滑滤波 3.图像的边缘 第五章图像恢复和重建(6学时) 1.图像退化模型 2.常用频域和空域复原方法 3.投影重建 第六章图像编码(6学时) 1.基本概念-图像的信息熵值,数据冗余,图像编码模型 2.哈夫曼编码技术 3.预测编码 4.变换编码 5.国际标准简介 第七章图像分割 1.阈值法 2.区域生长,分裂合并 3.边缘检测 4.二值图像处理方法 第八章.图像目标的表达和描述(6学时) 1.边界表达 2.区域的几何特征 3.区域的纹理特征 第九章.模式识别方法简介(4学时) 1.统计模式识别方法 2.句法模式识别方法 3.模糊集合识别方法 2．实验教学部分（课内共6学时，未计课外实验时间）1）DFT、DCT正反变换实现 2）直方图均衡、直方图规定化、时域模板处理、频域高低通滤波3）去运动模糊、去失焦、逆滤波、维纳滤波 4）DPCM编码、游程编码、HUFFMAN编码 5）目标描述与识别(分割、描述、识别)
数字图像处理 课程编码：3073009223 课程名称：数字图像处理 总学分： 2 总学时：32 (讲课28，实验4) 课程英文名称：Digital Image Processing 先修课程：概率论与数理统计、线性代数、C++程序设计 适用专业：自动化专业等 一、课程性质、地位和任务 数字图像处理课程是自动化专业的专业选修课。本课程着重于培养学生解决智能化检测与控制中应用问题的初步能力，为在计算机视觉、模式识别等领域从事研究与开发打下坚实的理论基础。主要任务是学习数字图像处理的基本概念、基本原理、实现方法和实用技术，并能应用这些基本方法开发数字图像处理系统，为学习图像处理新方法奠定理论基础。 二、教学目标及要求 1．了解图像处理的概念及图像处理系统组成。 2．掌握数字图像处理中的灰度变换和空间滤波的各种方法。 3．了解图像变换，主要是离散和快速傅里叶变换等的原理及性质。 4．理解图像复原与重建技术中空间域和频域滤波的各种方法。 5. 理解解彩色图像的基础概念、模型和处理方法。 6. 了解形态学图像处理技术。 7. 了解图像分割的基本概念和方法。 三、教学内容及安排 第一章：绪论（2学时） 教学目标：了解数字图像处理的基本概念，发展历史，应用领域和研究内容。通过大量的实例讲解数字图像处理的应用领域；了解数字图像处理的基本步骤；了解图像处理系统的组成。 重点难点：数字图像处理基本步骤和图像处理系统的各组成部分构成。 1.1 什么是数字图像处理 1.2 数字图像处理的起源
1.3.1 伽马射线成像 1.3.2 X射线成像 1.3.3 紫外波段成像 1.3.4 可见光及红外波段成像 1.3.5 微波波段成像 1.3.6 无线电波成像 1.3.7 使用其他成像方式的例子 1.4 数字图像处理的基本步骤 1.5 图像处理系统的组成 第二章：数字图像基础（4学时） 教学目标：了解视觉感知要素；了解几种常用的图像获取方法；掌握图像的数字化过程及其图像分辨率之间的关系；掌握像素间的联系的概念；了解数字图像处理中的常用数学工具。 重点难点：要求重点掌握图像数字化过程及图像中像素的联系。 2.1 视觉感知要素（1学时） 2.1.1 人眼的构造 2.1.2 眼镜中图像的形成 2.1.3 亮度适应和辨别 2.2 光和电磁波谱 2.3 图像感知和获取（1学时） 2.3.1 用单个传感器获取图像 2.3.2 用条带传感器获取图像 2.3.3 用传感器阵列获取图像 2.3.4 简单的图像形成模型 2.4 图像取样和量化（1学时） 2.4.1 取样和量化的基本概念 2.4.2 数字图像表示 2.4.3 空间和灰度级分辨率 2.4.4 图像内插 2.5 像素间的一些基本关系（1学时） 2.5.1 相邻像素 2.5.2 临接性、连通性、区域和边界 2.5.3 距离度量 2.6 数字图像处理中所用数学工具的介绍 2.6.1 阵列与矩阵操作
《模式识别导论》教学大纲 （课程编号08824380 学分-学时 2-40） 东南大学自动化学院 一．课程的性质与目的 本课程是自动化专业高年级本科生一门专业选修课，是研究计算机模式识别的基本理论和方法、应用。本课程的教学目的是，通过对模式识别的基本理论和方法、运用实例的学习，使学生掌握模式识别的基本知识，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力。 二．课程内容的教学要求 1.掌握模式识别的概念、发展和应用，模式识别的研究方法； 2.掌握统计模式识别中Bayes决策理论的基本原理及运用； 3.掌握统计模式识别中线性判别函数的基本理论及运用； 4.熟悉概率总体估计中的参数估计方法和非参数技术估计方法； 5.掌握近邻法则和集群； 6.掌握模式特征的抽取和选择； 7.了解人工神经网络在模式识别中的应用； 8.熟悉模式识别的聚类算法。 三．能力培养要求 1.分析能力的培养：主要是对相似性度量方法、特征提取和选择方法、各种识别方法特点进行分析的能力的培养，同时也要注意培养针对具体应用选择合适的识别方法的能力的培养。 2.计算能力的培养：要求学生通过本课程的学习，具备对线性判决函数、似然比、Bayes 风险进行计算或确定计算步骤的能力和对计算结果的正确性进行判断或校核的能力；具有使用计算机进行模式识别分析和计算的能力。 3.自学能力的培养：通过本课程的教学，要培养和提高学生对所学知识进行整理、概括、消化吸收的能力，以及围绕课堂教学内容，阅读参考书籍和资料，自我扩充知识领域的能力。 4.表达能力的培养：主要是通过作业，清晰、整洁地表达自己解决问题的思路和步骤的能力。 5.创新能力的培养：培养学生独立思考、深入钻研问题的习惯，和对问题提出多种解决方案、选择不同计算方法，以及对计算进行简化和举一反三的能力。
人工智能》课程教学大纲 、课程基本信息 二、课程教学目标 《人工智能》是计算机科学与技术专业的一门专业拓展课，通过本课程的学习使本科生对人工智能的基本内容、基本原理和基本方法有一个比较初步的认识，掌握人工智能的基本概念、基本原理、知识的表示、推理机制和智能问题求解技术。启发学生开发软件的思路，培养学生对相关的智能问题的分析能力，提高学生开发应用软件的能力和水平。 三、教学学时分配
四、教学内容和教学要求 第一章人工智能概述（3 学时） （一）教学要求 1.掌握人工智能的基本概念； 2.理解人工智能的发展状况。 3.理解人工智能的基本技术； 4.了解人工智能的研究途径与方法； 5.了解人工智能的分支领域； （二）教学重点与难点教学重点：人工智能的基本技术。教学难点：三大学派的研究途径与方法。 （三）教学内容 第一节人工智能的基本概念 1.什么是人工智能 2.强人工智能与弱人工智能 3.脑智能和群智能 4.符号智能和计算智能 第二节人工智能发展概况 1.人工智能学科的产生
2.人工智能学科的发展 3.人工智能三大学派 第三节人工智能研究途径与方法 1.人工智能的研究目标 2.人工智能的研究方法 3.人工智能的研究内容 第四节人工智能基本技术 1.推理技术 2.搜索技术 3.知识库技术 4.归纳技术 5.联想技术第五节人工智能的应用 1.难题求解 2.机器定理证明 3.自动程序设计 4.模式识别 5.机器翻译 6.智能管控 7.智能决策 8.智能人机接口 第六节人工智能的影响 1.人工智能对人类的影响 2.人工智能对社会的影响 本章习题要点：对基本概念、技术、方法的理解。 第二章智能程序设计语言（5 学时）（一）教学要求 1．了解常见的几种人工智能程序设计语言；
《机器视觉》教学大纲 课程编码：08241059 课程名称：机器视觉 英文名称：MACHINE VISION 开课学期：7 学时/学分：36/2 （其中实验学时：4 ） 课程类型：专业方向选修课 开课专业：机械工程及自动化 选用教材：贾云得编著《机器视觉》科学出版社 2002年 主要参考书： 1.ROBOTICS: Control, Sensing, Vision, and Intelligence, K. S. Fu，McGraw-Hill Publishing Company, 1987 2.张广军编著，机器视觉，科学出版社，2005年 执笔人：孔德文 本课程主要内容包括：二值图像分析、图像预处理、边缘检测、图像分割、纹理分析、明暗分析、彩色感知、深度图与立体视觉。通过本课程的学习，学生应掌握机器视觉的基础理论、基本方法和实用算法。 一、课程性质、目的与任务 机器视觉课程是机械工程及自动化专业在智能机器方向的一门专业方向选修课。机器智能化是机械学科的重要发展方向，也是国际上跨学科的热门研究领域。而机器视觉是智能机器的重要组成部分，它与图象处理、模式识别、人工智能、人工神经网络以及神经物理学及认知科学等都有紧密的关系。本课程对于开阔学生视野、使学生了解本专业的发展前沿，把学生培养成面向二十一世纪的复合型人才具有重要的地位和作用。通过本课程的学习，学生也能掌握一定的科学研究方法与技能，为有潜力成为研究型人才的学生打下一定基础。 二、教学基本要求 本课程主要内容包括：二值图像分析、图像预处理、边缘检测、图像分割、纹理分析、明暗分析、深度图与立体视觉。通过本课程的学习，学生应掌握机器视觉的基础理论、基本方法和实用算法。 本大纲仅列出达到教学基本要求的课程内容，不限制讲述的体系、方式和方法，列出的内容并非要求都讲，有些内容，可以通过自学达到教学基本要求。 使用CAI课件作为辅助教学手段可以节省大量时间，传递更多的信息量，所以本课程建议使用CAI课件。 作业是检验学生学习情况的重要教学环节，为了帮助学生掌握课程的基本内容，培养分析、运算的能力，建议布置作业5－8次，并在期末前安排一次综合作业作为主要考查环节。实验是教学的一个主要环节，实验时间共4学时，每次实验每小组4－6人，使每个学生均有亲自操作的机会。 三、各章节内容及学时分配 1．人类视觉与机器视觉 (4学时) : 人类视觉原理与视觉信息的处理过程；机器视觉理论框架与应用；成像几何学基础。
《模式识别》教学大纲 一、课程的教学目标和任务 本课程是一门模式识别与智能计算方向的导论基础课，适合计算机各专业对该学科有兴趣的学生选修。 本课程的目的是通过学习使学生了解模式识别技术的基本概念、基本理论、基本算法和应用方式，理解模式识别的主要研究内容、研究方向和研究方法，掌握统计模式识别和结构模式识别的基础算法。 本课程的任务是通过教师对课程的讲授，使学生了解模式识别学科的基本概念、基本理论和研究思路，掌握模式识别的分类决策理论和基本算法，掌握模式识别分析的基本理论和基本算法，培养学生利用所学知识解决模式识别方面的实际问题的基本能力，为后续模式识别与智能系统专业的学习和深入研究奠定基础。 二、教学内容及学时分配 总学时：32学时 第一章绪论（5学时） 1、课程内容 一、模式识别中的概念 二、模式识别系统构成 三、特征选择方法概要 2、重点、难点 ⑴教学重点：本课程是计算机信息处理领域的基础理论课程，明确模式识别的基本功能
⑵教学难点：快速将学生引入模式识别领域，提升学生对计算机理论研究的兴趣。 3、基本要求 灵活应用紧致性处理模式之间是否可分的问题；通过掌握判别阈值法，明确模式识别的基本处理方法，模式识别是如何分析解决现实问题的；掌握特征生成方法中的提取和选择，对于给定实物特征能领会提取实物的有用信息。 第二章分类器设计（10学时） 1、课程内容 第一节基于概率统计的贝叶斯分类器设计 一、贝叶斯决策的基本概念 二、基于最小错误率的的贝叶斯决策 三、基于最小风险的贝叶斯分类实现 第二节判别函数分类器设计 一、判别函数的基本概念 二、LMSE分类算法 三、fisher分类算法 第三节神经网络分类器设计 一、人工神经网络的基本原理 二、BP神经网络 第四节决策树分类器 一、决策树的基本概念 二、决策树分类器设计 第五节粗糙集分类器 一、粗糙集理论的基本概念 二、粗糙集在模式识别中的应用 三、粗糙集分类器设计 2、重点、难点 ⑴教学重点：如何保证分类器设计完成后，能正常分类，如何查找错分情况，如何分析错分可能性； ⑵教学难点：阐明分类器设计中的数学理论，增强其对分类器的理论支撑。
人工智能基础（8017）考试大纲 一、课程性质与设置目的 （一）课程性质和特点 “人工智能”是21世纪计算机科学发展的主流，为了培养国家建设跨世纪的有用人才，在计算机专业本科开设《人工智能基础》课程是十分必要的。《人工智能基础》是计算机专业本科的一门必修课程，本课程中涉及的理论、原理、方法和技术有助于学生进一步学习其他专业课程。开设本课程的目的是培养学生软件开发的“智能”观念；掌握人工智能的基本理论、基本方法和基本技术；提高解决“智能”问题的能力，为今后的继续深造和智能系统研制，以及进行相关的工作打下人工智能方面的基础。 （二）本课程的基本要求（课程总目标） 《人工智能基础》是理论性较强，涉及知识面较广，方法和技术较复杂的一门学科。通过对本课程的学习，学生应掌握人工智能的一个问题和三大技术，即通用问题求解和知识表示技术、搜索技术、推理技术。具体要求是：学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand域概念和Horn子句的基础上，应用Robinson 归结原理进行定理证明；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、D—S证据理论等，利用数值分析中常用方法进行正确计算。另外，学生还应该了解专家系统的基本概念、研究历史、系统结构、系统评价和领域应用。学生还应认识机器学习对于智能软件研制的重要性，掌握机器学习的相关概念，机器学习的方法及其相应的学习机制，几个典型的机器学习系统的学习方法、功能和领域应用。 （三）本课程与相关课程的联系、分工或区别 与本课程相关的课程有：离散数学、算法设计、数值分析、程序设计语言等。 离散数学中的命题逻辑、谓词逻辑、树/图、表等知识是本课程的数学基础之一。本课程中的知识表示需要利用矩阵、表、树/图、多元组等手段，因此学生前期的离散数学学习，对于本课程起到了基础作用。 -1-
人工智能课程教学大纲 【课程性质、目标和要求】 人工智能是计算机科学的重要分支，是计算机科学与技术专业本科生的专业限选课之一。本课程介绍如何用计算机来模拟人类智能，即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的"智能"，使得计算机更好得为人类服务． 作为本科生一个学期的课程，重点掌握人工智能的基础知识和基本技能，以及人工智能的一般应用．完成如下教学目标： （1）了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域． （2）较详细地论述知识表示的各种主要方法。重点掌握状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。 （3）掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等．了解博弈树搜索、遗传算法和模拟退火算法的基本方法． (4) 掌握消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念． （5）概括性地介绍人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等． （6）简介人工智能程序设计的语言和工具． (7) 掌握Visual Prolog编程环境，会使用Prolog语言编写简单的智能程序。 要求学生已修过《数据结构》、《离散数据》和《编译原理》。 【教学时间安排】 本课程计 3 学分，理论课时72 ,实验课时28。学时分配如下表所示：
【教学内容要点】 教学要求的层次 课程的教学要求大体上分为三个层次：了解、理解和认识。了解即能正确判别有关概念和方法；理解是能正确表达有关概念和方法的含义；认识是在理解的基础上加以灵活应用。 第一章绪论 一、学习目的要求 1、了解人工智能的定义、起源与发展 2、了解人工智能的研究与应用领域 3、理解人工智能求解方法的特点 二、主要教学内容 1、人工智能的定义、起源与发展 2、人工智能的研究与应用领域 3、人工智能求解方法的特点 第二章知识表示方法 一、学习目的要求 1、认识状态空间法 2、理解问题归约法 3、认识谓词逻辑法 4、认识语义网络法 5、认识框架表示 6、认识剧本表示 7、理解过程表示 二、主要教学内容 1、状态空间法 2、问题归约法 3、谓词逻辑法 4、语义网络法 5、框架表示 6、剧本表示
《模式识别及应用》课程教学大 纲 ( 06、07级) 编号：40021340 英文名称：Pattern Recognition and Its Applications 适用专业：电子信息工程 责任教学单位：电子工程系电子信息 教研室 总学时：32 学分：2 考核形式：考查 课程类别：专业课 修读方式：必修 教学目的：模式识别是电子信息工程专业的一门专业必修课。通过该课程的学习，学生能够掌握模式识别的基本理论和主要方法，并且能掌握在大量的模式样本中获取有用信息的原理和算法，通过课外上机练习，学会编写模式识别的算法程序，达到理论和实践相结合的目的，使学生了解模式识别的应用领域，为将来从事这一方面的研究打下初步基础。 主要教学内容及要求：由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。 本课程安排了一些习题，以便学生能通过做练习与实验进一步掌握课堂知识，学习了本课程后，大部分学生能处理一些简单模式识别问题，如设计获取信息的手段，选择要识别事物的描述方法以及进行分类器设计。 第一章概论 1.掌握模式识别的概念 2.熟悉模式识别系统 3.熟悉模式识别的应用 第二章统计模式识别——概率分类法 1. 掌握概率分类的判别标准 （1）Bayes法则 （2）Bayes风险 （3）基于Bayes法则的分类器 （4）最小最大决策 （5）Neyman-pearson决策 2. 熟悉正态密度及其判别函数 （1）正态密度函数 （2）正态分布样品的判别函数 3.了解密度函数的估计 第三章聚类分析 1. 掌握基于试探的聚类算法 （1）基于最近邻规则的试探法 （2）最大最小距离法 2.熟悉层次聚类算法 3.熟悉动态聚类法 （1）K均值算法 （2）迭代自组织的数据分析算法4.了解合取聚类法、最小张树分类法 第四章模糊模式识别 1.掌握模糊信息处理的基本概念 2.熟悉模糊识别信息地获取 3.熟悉模糊综合评判 4.熟悉基于识别算法的模糊模式识别 5.熟悉模糊聚类分析 第五章神经网络识别理论及模型 1.掌握人工神经网络基本模型 2.熟悉神经网络分类器 3.熟悉模糊神经网络系统 4.熟悉神经网络识别模型及相关技术 第六章特征提取与选择 1.掌握类别可分性判据 2.掌握基于可分性判据进行变换的特征提取与选择 3.掌握最佳鉴别矢量的提取 4.熟悉离散K-L变换及其在特征提取与选择中的应用 5.熟悉基于决策界的特征提取 6.熟悉特征选择中的直接挑选法 本课程与其他课程的联系与分工：本课程的先修课程是线性代数、概率与数理统计。它与数字图像处理课可并开。所学知识可以直接应用于相关课题的毕业设计中，并可为学生在研究生阶段进一步深入学习模式识别理论和从事模式识别方向的研究工作打下基础。
机器学习与模式识别》教学大纲 课程编号： 071243B 课程类型：□通识教育必修课□通识教育选修课■专业必修课□专业选修课□学科基础课总学时： 48 讲课学时： 32 实验（上机）学时： 16 学分： 3 适用对象：计算机科学与技术专业 先修课程：程序设计基础与应用、数据结构、高等数 学、算法导论 一、教学目标 《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。本课程是面向计算机技术开设的专业选修课。其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。模式识别部分是研究计算机模式识别的基本理论、方法和应用。通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。 学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。 目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。
目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。 目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。 二、教学内容及其与毕业要求的对应关系（黑体，小四号字）本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov 模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。 通过教学和实践，培养学生运用数学工具和方法分析问题和从多角度运用数学工具解决问题的基本能力，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力，训练学生的逻辑思维能力和想象力。 在教学中，鼓励学生运用算法知识解决各个学科的实际计算问题，培养学生初步的独立开展科研工作的能力和理论联系实践，解决实际问题的能力，同时，为后续课程以及将来的研究工作提供必要的基础。 此外，配合实验课程的教学，学生应理论联系实际，理论指导实践，通过规范地完成项目实践进一步巩固所学的相关书本知识，在知识、能力、素质上得到进一步的提高。 三、各教学环节学时分配 教学课时分配
《模式识别》课程教学大纲 课程编号：50420361 课程名称：模式识别 英文名称：Pattern Recognition 课程类别：专业限选课 学分：2 学时：40 开课学期：一 开课周次：11-20 开课教研室：自动化系计算机控制教研室 任课教师及职称：刘禾教授 先修课程：概率论 适用专业：模式识别与智能系统、控制理论与控制工程 课程目的和基本要求： 课程设置的目的使硕士研究生掌握模式识别的基本理论与方法。通过课程学习要求学生掌握模式识别的基本理论与方法，了解这些理论与方法的一些典型应用。通过本课程学习使学生初步具有运用相应理论解决实际问题的能力。 课程主要内容： 本课程总学时40学时，从统计模式识别、聚类分析和模糊模式识别等几个方面介绍模式识别的基本理论和知识,全部课程内容分九章，各章具体内容、学时分配如下： 第一章概述（4 学时） 内容：模式识别分类、系统构成、一些模式识别实用技术和模式识别系统评价方法。 第二章贝叶斯分类方法（4学时） 内容：几种常用的分类决策方法：如基于最小错误率的贝叶斯决策、基于最小风险的贝叶斯决策和最大最小决策等。介绍分类器设计一般规则。 第三章特征的选择与提取（2学时） 内容：特征的选择原则和基本方法，特征提取对分类的影响分析。
第四章线性判别函数（4学时） 内容：线性分类的基本概念和线性判别函数基本形式，Fisher线性判别方法，支持向量机和多类问题的分类方法。 第五章非线性判别函数（4学时） 内容：非线性的分段线性判别方法，特征空间变换，非线性空间的支持向量机和决策树方法。 第六章人工神经网络（8学时） 内容：神经网络基础，常用神经网络介绍，基于神经网络的模式识别方法。 第七章聚类分析（6学时） 内容：模式的相似性测度，类的定义及类间距和各种聚类算法介绍，如层次聚类算法、动态聚类法和概念合取聚类法等。 第八章模糊模式识别方法（4学时） 内容：模糊集、模糊关系和模糊分类方法。 第九章应用举例（4学时） 内容：介绍国内外最新研究成果和应用实例。 使用教材： 1、《模式识别》，边肇祺，清华大学出版社、1999年； 2、《神经网络模式识别系统理论》，黄德双，电子工业出版社、1996年。 参考书目： 1、《模式识别》，李晶皎，朱志良，王爱侠等译，电子工业出版社、2004年； 2、《现代模式识别》，孙即祥，国防科技大学出版社、2002年。 考试方式： 课程成绩根据学生课堂参与情况、平时作业情况和期末考试成绩综合评定学习成绩，期末考试为专题研究论文或闭卷考试，平时成绩占百分之三十。 教研室意见： 系（院、部）意见： 研究生处审核意见：
模式识别与机器学习教学大纲 模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别的原理和方法在医学、军事等众多领域应用十分广泛，是计算机及其相关专业进行科学研究的基础。课程以模式识别任务为主导，讲授如何确定学习目标、获取学习样例，进行分类、识别与预测。 课程概述 本课程面向大学本科三年级以上学生或者具有先验课程基础的学生，通过培养学生认识模式识别的目的和意义，了解模式识别的过程，掌握机器学习的基本算法，并用以解决模式识别基本任务，促进学生应用模式识别处理计算机自动识别事物，掌握机器学习数据分析的相关技术；切实提高机器学习算法的理解与应用，提升对新理论、新方法的把握能力和研究能力，以及正确的解决工程问题的实践能力。课程面向模式识别领域的前沿知识，内容兼顾基本理论和应用实例，紧扣该领域国际发展前沿和热门研究课题，将实例贯穿于知识点，并能够对知识点进行延伸扩展，达到举一反三的目的。 课程大纲 01 模式识别基本概念 课时 1.1 什么是模式识别 1.2 模式识别数学表达 1.3 特征向量的相关性 1.4 机器学习基本概念 1.5 模型的泛化能力 1.6 评估方法与性能指标 02 基于距离的分类器 课时 2.1 MED分类器 2.2 特征白化 2.3 MICD分类器 03 贝叶斯决策与学习 课时 3.1 贝叶斯决策与MAP分类器 3.2 MAP分类器：高斯观测概率
3.3 决策风险与贝叶斯分类器 3.4 最大似然估计 3.5 最大似然的估计偏差 3.6 贝叶斯估计(1) 3.7 贝叶斯估计(2) 3.8 KNN估计 3.9 直方图与核密度估计 04 线性判据与回归(一) 课时 4.1 线性判据基本概念 4.2 线性判据学习概述 4.3 并行感知机算法 4.4 串行感知机算法 4.5 Fisher线性判据 4.6 支持向量机基本概念 4.7 拉格朗日乘数法 4.8 拉格朗日对偶问题 4.9 支持向量机学习算法 05 线性判据与回归(二) 课时 4.10 软间隔支持向量机 4.11 线性判据多类分类 4.12 线性回归 4.13 逻辑回归的概念 4.14 逻辑回归的学习 4.15 Softmax判据的概念 4.16 Softmax判据的学习 4.17 核支持向量机 06 神经网络 课时 5.1 神经网络概念 5.2 BP算法 5.3 深度学习（一） 5.4 深度学习（二） 预备知识 前导课程是微积分、高等数学、线性代数、概率论与统计、高级语言程序设计、数据结构。
《模式识别》课程实验教学大纲 一、制定实验教学大纲的依据 根据本校《2004 级本科指导性培养计划》和《模式识别》课程教学大纲制定。 二、本实验课在专业人才培养中的地位和作用 《模式识别》 课程是电子信息工程专业与自动化专业教学计划中以应用为基础的一门专 业选修课，是研究如何用机器去模拟人的视觉、听觉、触觉以识别外界环境的理论与方法， 其主要任务是使学生获得如何对对象进行分类的有关理论和方法方面的知识。 实验课是本课 程重要的教学环节,其目的是使学生掌握统计模式识别的基本分类方法的算法设计及其验证 方法，通过设计性实验的训练，以提高学生设计算法及数值实验的能力，进一步提高分析问 题、解决问题的能力。 三、本实验课讲授的基本实验理论 1、非监督参数估计的基本原理； 2、比较监督参数估计、非监督参数和非参数估计三种样本集估计概率密度方法的差异； 3、用 Parzen 窗法进行总体分布非参数估计的原理； 4、Kn 近邻法进行总体分布非参数估计的原理； 5、感知器算法的基本思想； 6、应用感知器算法实现线性可分样本的分类方法； 四、本实验课学生应达到的能力 1、掌握根据概率密度用 MATLAB 生成实验数据的原理和方法； 2、掌握用 Parzen 窗法和 Kn 近邻法进行总体分布的非参数估计方法，以加深对非参数 估计基本思想的认识和理解； 3、通过自编程序和程序运行结果，说明 Parzen窗法和 Kn 近邻法各自的优缺点； 4、掌握根据已知类别的样本用感知准则进行线性判别函数设计的方法； 5、通过编制程序，实现感知器准则算法，并实现线性可分样本的分类； 6、掌握高维特征空间向低维特征空间转换的 Fisher准则的原理与方法； 7、通过编制程序并上机运行体会 Fisher 线性判别的基本思路，理解线性判别的基本思 想，掌握 Fisher 线性判别问题的实质。 五、学时、教学文件
《机器学习与模式识别》教学大纲 课程编号：071243B 课程类型：□通识教育必修课□通识教育选修课 ■专业必修课□专业选修课 □学科基础课 总学时：48讲课学时：32 实验（上机）学时：16 学分：3 适用对象：计算机科学与技术专业 先修课程： 程序设计基础与应用、数据结构、高等数学、算法导论 一、教学目标 《机器学习与算法导论》是计算机科学技术专业的一门专业选修课程。本课程是面向计算机技术开设的专业选修课。其教学重点是使学生掌握常见机器学习算法，包括算法的主要思想和基本步骤，并通过编程练习和典型应用实例加深了解；同时对机器学习的一般理论，如假设空间、采样理论、计算学习理论，以及无监督学习和强化学习有所了解。模式识别部分是研究计算机模式识别的基本理论、方法和应用。通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。 学生通过本门课程的学习，能够对机器学习和模式识别的内容有一个较为全面的了解和认识，更深刻地理解机器学习的实质内容，使学生具备前沿的计算机技术必要的专业知识。从而，为学生今后从事计算机技术应用与计算机技术前沿研究，以及相关领域的科学研究做好理论和技术上的准备。 目标1：通过对机器学习与模式识别基本概念、原理、和基本方法的讲解，让学生理解并掌握机器学习和模式识别的基本技术。
目标2：培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。 目标3：鼓励学生运用知识解决各自学科的实际问题，培养他们的独立科研的能力和理论联系实际的能力。 二、教学内容及其与毕业要求的对应关系（黑体，小四号字） 本课程主要介绍决策论与信息论基础、概率分布、回归的线性模型、分类的线性模型、核方法、支持向量机、图模型、混合模型和期望最大化、隐Markov 模型和条件随机场模型、统计决策方法、概率密度函数的估计、线性分类器、非线性分类器、其他分类方法、特征选择、特征提取、非监督模式识别、模式识别系统的评价等。 通过教学和实践，培养学生运用数学工具和方法分析问题和从多角度运用数学工具解决问题的基本能力，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力，训练学生的逻辑思维能力和想象力。 在教学中，鼓励学生运用算法知识解决各个学科的实际计算问题，培养学生初步的独立开展科研工作的能力和理论联系实践，解决实际问题的能力，同时，为后续课程以及将来的研究工作提供必要的基础。 此外，配合实验课程的教学，学生应理论联系实际，理论指导实践，通过规范地完成项目实践进一步巩固所学的相关书本知识，在知识、能力、素质上得到进一步的提高。 三、各教学环节学时分配 教学课时分配
《机器学习》教学大纲 课程编号：CE6012 课程名称：机器学习英文名称：Machine Learing 学分/学时：2 /24+16（实验）课程性质：选修课 适用专业：信息安全/网络空间安全/网络工程 建议开设学期：7 先修课程：高等数学线性代数概率论matlab等 开课单位：网络与信息安全学院 一、课程的教学目标与任务 本课程是我院信息安全专业，网络空间安全专业的专业选修课。 本课程的教学将介绍机器学习、数据挖掘与统计模式识别的知识。介绍相关领域的基础概念与发展过程；研究不同种类的机器学习算法，包括：(i) 监督学习（参数/非参数算法、支持向量机、内核、神经网络）。(ii) 非监督学习（聚类、降维、推荐系统、深度学习）。介绍机器学习的优秀案例（偏差/方差理论；）课程将拮取案例研究与应用，学习如何将学习算法应用到文字理解（网页搜索，防垃圾邮件）、计算机视觉（图片提取文字信息）、医学信息学、音频、数据挖掘及其他领域上。 本课程注重理论教学与实验的结合，注重学生实践能力的培养，单独设立实验上机来巩固学生对于不同机器学习算法的理解，通过实验锻炼学生对于建立机器学习模型在各个环节上的动手能力，实验还将以目前比较常见的机器学习应用为实例，使学生体会机器学习广泛的应用场景，通过本课程的学习，学生将全面了解机器学习的正确运用，能够在实际项目的研究中运用机器学习加速工作，跟踪前沿的机器学习算法，思想，应用等，能够为学生从事人工智能下一步相关研究工作或在实践项目中的应用打下坚实的基础。 二、课程具体内容及基本要求 （一）机器学习基本概念(2学时) 主要包括机器学习基本概念，用途和发展历史以及分类，介绍机器学习所需要的预备知识，指导学生安装配置必要的环境
《系统辨识基础》教学大纲 课程名称：系统辨识基础（Basic of System Discrimination） 课程编码：152050 学分：2分 总学时：32学时，理论学时：22 学时；上机学时：10学时 适用专业：自动化专业 先修课程：自动控制理论、现代控制理论 一、课程的性质、目的与任务 《系统辨识基础》属专业选修课。 本课程主要教授系统辨识的基本概念、基本理论、基本方法和应用。以提高学生自动控制理论的素养，培养综合运用自动控制理论和方法解决工程实践中的模式识别、参数辨识等问题的能力。 二、教学内容、基本要求与学时分配 第一章 辨识的基本概念与随机信号描述 主要内容： 1.辨识的基本概念 2.随机信号描述 基本要求： 理解系统辨识的基本概念、方法和步骤 了解随机信号描述方法 学时分配： 2学时 第二章 经典辨识方法 主要内容： 1.阶跃响应法 2.脉冲响应法 3.频率响应法 4.相关分析法 基本要求： 掌握阶跃响应法、脉冲响应法、频率响应法 了解相关分析法基本原理 学时分配： 8学时 第三章 最小二乘法 主要内容： 1.最小二乘法问题的解 2.最小二乘法问题的递推算法 3.偏差补偿最小二乘法 4.增广最小二乘法 基本要求： 掌握最小二乘法的基本概念、最小二乘法问题的解 掌握最小二乘法问题的递推算法 掌握偏差补偿最小二乘法 了解增广最小二乘法的基本原理
了解最小二乘法问题的统计性质 学时分配：8学时 第四章 梯度校正参数辨识方法 主要内容： 1.确定性问题的梯度校正参数辨识方法 2.随机问题的梯度校正参数辨识方法 基本要求： 掌握确定性问题的梯度校正参数辨识方法 了解随机问题的梯度校正参数辨识方法的基本原理 学时分配：4学时 三、上机内容与学时分配 上机内容： 给定一个模拟或数字对象，编写计算机程序对其参数进行辨识 学时分配：10学时 四、大纲说明 1．本课程是自动化专业的一门专业选修课程。 2．本课程的先修课程为自动控制理论、现代控制理论。 3．本课程安排上机大作业，要求学生结合课程学习，编写调试数字、模拟对象的参数辨识程序 六、教学参考书 1．方崇智主编，《过程辨识》（第一版），清华大学出版社，1998年 2．刘 豹主编，《系统辨识》（第二版），机械工业出版社，1996年 3．王秀峰主编，《系统建模与辨识》（第一版），电子工业出版社，2004年