人工智能期末整理

1. 绪论

1.1 基本概念

1.1.1 样本，模式和模式类等概念间的关系

模式类和模式：具有某些共同特性的类别或类的总称，通常采用特定的抽象符号来表示。模式表示具体的抽象事物，模式类则是对这一类事物的概念性描述。
样本：个别具体的模式称为样本。
样本是具体的个体，而模式是对同一类事物概念性的概括。
模式识别用计算方法根据样本特征将样本划分到某个特定的类别中，是从样本到类别的映射。

1.1.2 基本术语

模式(Pattern)：为执行和完成识别任务，对分类识别对象进行科学的抽象，建立其数学模型，用以描述和代替识别对象，这种对象特性的描述就是模式。如规律、模板、特征组合等。
模式的表现形式：特征矢量、符号串、图、关系式。
样本（sample）：所研究对象的一个个体，是一类事物的一个具体体现或实例。

1.2 模式识别和人工智能的意义

人工智能可以推动我们社会的经济的发送，人工智能的技术可以被运用到医疗、教育、公共交通、制造业等诸多的领域中。人工智能的发展具有广阔的空间，人工智能可以推动着新兴业态的发展，实现经济发展的形态变革。

2. 基本概念

2.1 模式识别的系统组成

2.2 模型评估方法

留出法、k折交叉验证、留一法

3. 统计决策方法

3.1 贝叶斯决策*

3.1.1 先验概率，类条件概率密度函数和后验概率等概念间的关系

3.1.2 最小错误率贝叶斯决策

利用后验概率进行分类，看X来自哪类的概率大选择哪类

例题：

3.1.3 基于最小风险的Bayes决策

例题：

3.2 正态分布

3.3 参数估计的基本概念及其评价标准

3.3.1 估计量的评价标准

3.3.2 例题

3.4 朴素贝叶斯分类器

4. 线性模型

4.1 线性回归

4.2 线性判别函数

4.2.1

4.2.2 w_i⁄w_j两分法

4.2.3

4.3 广义线性判别函数

通过某映射，把模式空间X变成 X*，以便将X空间中非线性可分的模式集，变成在 X* 空间中线性可分的模式集。

4.4 Fisher线性判别

4.4.1 例题

4.5 感知器准则

5. 机器学习和知识发现

6. 决策树

7. 神经网络学习*

7.1 人工神经元模型*

7.2 感知器的线性分类及其局限

7.3 多层感知器到BP神经网络

7.4 神经元学习规则

7.4.1 无监督学习规则：Hebb学习规则

7.4.2 有监督学习规则：Delta学习规则

Delta学习规则是一种简单的有监督学习算法，根据神经元的实际输出与期望输出差别来调整连接权值。

8. 深度学习

9. 特征选择与提取

9.1 特征选择和特征提取的概念，作用和区别*

9.1 遗传算法基本原理

9.1.1 遗传算法基本步骤

9.1.2 遗传算法的优缺点

优点：

1. 通过变异机制避免算法陷入局部最优，搜索能力强

2. 引入自然选择中的概率思想，个体的选择具有随机性

3. 可拓展性强，易于与其他算法进行结合使用

9.2 PCA主成分分析

10. 例题

协方差