国科大.模式识别与机器学习.期末复习笔记手稿+复习大纲

写在最前

这是博主复习《模式识别与机器学习》这门课程时的手稿。本文基本覆盖了这门课程的所有知识点,认真复习的话90分以上没有什么问题,如果有哪里的字体难以辨认,请评论区留言。

另外,需要历年考试真题的同学可以在评论区留言,祝考试顺利!

复习大纲

第二章统计判别

  • 贝叶斯判别准则
  • 最小风险判别
  • 正态分布模式的贝叶斯分类器:
    • 类先验分布参数估计
    • 类条件分布参数估计

第三章判别函数

  • 线性判别的原理
  • Fisher线性判别
  • 感知器算法
  • 经典迭代训练算法

第四章特征选择和提取

  • 特征选择主要方法概念
  • K-L变换(主成分分析PCA)原理和流程

第五章统计学习理论基础

  • 过拟合与正则化
  • 泛化能力分析

第六章监督学习

  • 判别式分类模型:逻辑回归LR
  • 生成式分类模型:高斯判别分析、朴素贝叶斯分类器
  • 参数估计:极大似然估计(MLE)、最大后验估计(MAP)

第七章支持向量机

  • SVM原型问题的形式化
  • SVM对偶问题的形式化

第八章聚类:经典聚类算法的基本原理和适用场景

  • K均值聚类
  • GMM
  • 层次聚类
  • 基于密度聚类(DBSCAN)

第九章降维

  • 线性降维:PCA流程
  • 非线性降维:核PCA基本概念
  • 流形模型:全局嵌入和局部嵌入的代表性方法

第十章半监督学习

  • 半监督学习的常用假设
  • 常用方法的基本概念
    • 自我训练
    • 多视角学习
    • 基于GMM的生成模型
    • S3VM(TSVM)

第十一章概率图模型

  • 有向概率图模型的表示
  • 条件独立性判断
  • 隐马尔可夫模型(HMM)的原理
  • Viterbi 解码

第十二章集成学习

  • 偏差与方差分析
  • 欠拟合与过拟合的判断和改进
  • Bagging原理
  • Boosting原理

第十三章深度学习

  • 神经元基本模型
  • 常用激活函数及其特性:Sigmoid、ReLU
  • 卷积神经网络CNN原理
  • 深度网络参数训练技巧、深度模型避免过拟合的策略

你可能感兴趣的:(复习手稿,人工智能,机器学习,模式识别,国科大)