1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、課程完成后,授課老師留給學(xué)員手機(jī)和Email,保障培訓(xùn)效果,免費(fèi)提供半年的技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。

模式識(shí)別培訓(xùn)大綱

概論
模式識(shí)別的主要方法;
監(jiān)督模式識(shí)別與非監(jiān)督模式識(shí)別;
模式識(shí)別系統(tǒng)舉例;
模式識(shí)別系統(tǒng)的典型構(gòu)成
概率論基礎(chǔ)知識(shí)
概率論基礎(chǔ)知識(shí) 貝葉斯決策, 概率密度分布
大似然估計(jì)
貝葉斯估計(jì)
維數(shù)問題（精度、維數(shù)和訓(xùn)練集的大小； 計(jì)算復(fù)雜度；過擬合）
概率密度分布的非參數(shù)估計(jì)
非參數(shù)估計(jì)的基本原理與直方圖方法
KN近鄰估計(jì)方法
Parzen窗法
近鄰規(guī)則
距離度量和近鄰分類
RCE網(wǎng)絡(luò)
級(jí)數(shù)展開逼近
統(tǒng)計(jì)量估計(jì)中的重采樣技術(shù)(bootstrap, jackknife)
期望大化(EM)
期望大化
隱馬爾可夫模型
隱馬爾可夫模型
抽樣方法
馬爾可夫 蒙特卡洛
Gibbs 采樣
Slice 采樣
混合Monte carlo算法
2． 監(jiān)督學(xué)習(xí)方法

線性回歸
線性基礎(chǔ)模型
偏方方差分解
貝葉斯線性回歸
貝葉斯模型比較
參數(shù)估計(jì)（經(jīng)驗(yàn)貝葉斯）
固定基礎(chǔ)函數(shù)的限制
特征
特征選擇
特征的評(píng)價(jià)準(zhǔn)則
特征選擇的優(yōu)算法
特征選擇的次優(yōu)算法
特征選擇的遺傳算法
以分類性能為準(zhǔn)則的特征選擇方法
特征提取
基于類別可分性判據(jù)的特征提取
主成分分析 (圖像)
Karhunen-Loeve變換
高維數(shù)據(jù)的低維顯示
多維尺度法
非線性變換方法簡(jiǎn)介
多重判別分析
特征提取與選擇對(duì)分類器性能估計(jì)的影響
分類器
線性分類器
線性判別函數(shù)的基本概念
Fisher線性判別器
感知器
小平方誤差判別
優(yōu)分類器超平面與線性支持向量
拉普拉斯逼近（Laplace 逼近）
非線性分類器
分段判別函數(shù)
二次判別函數(shù)
多層感知機(jī)
支持向量機(jī)
核函數(shù)
其它分類器
近鄰法
決策樹
邏輯回歸
Boosting
隨機(jī)方法
基于規(guī)則的方法
系統(tǒng)評(píng)價(jià)
監(jiān)督模式識(shí)別方法的錯(cuò)誤率估計(jì)
有限樣本下錯(cuò)誤率的區(qū)間估計(jì)問題
從分類的顯著性推斷特征與類別的關(guān)系
3． 非監(jiān)督學(xué)習(xí)方法

模型方法
基于模型的方法
混合模型的估計(jì)(非監(jiān)督大似然估計(jì);
正態(tài)分布情況下的非監(jiān)督參數(shù)估計(jì))
聚類方法
動(dòng)態(tài)聚類
模糊聚類
分級(jí)聚類
自組織神經(jīng)網(wǎng)絡(luò)
劃分聚類
聚類的準(zhǔn)則函數(shù)
其它非監(jiān)督方法
圖論方法
在線聚類
圖模型
非監(jiān)督模式識(shí)別系統(tǒng)性能的評(píng)價(jià)
4． 圖像處理相關(guān)內(nèi)容

圖像處理的基本方法
幾何規(guī)范化 (平移，旋轉(zhuǎn)，縮放等，復(fù)原，增強(qiáng)等)
灰度級(jí)差值 (近鄰差值等)
灰度規(guī)范化 (圖像平滑、直方圖均衡化、灰度變換)
邊緣檢測(cè)，梯度算子
形態(tài)學(xué)處理 (膨脹，腐蝕，開操作，閉操作，細(xì)化，粗化，骨架，裁剪等)
圖像的特征提取
形狀特征(輪廓特征, 區(qū)域特征)
紋理特征(LBP,HOG,SURF,SIFT,HAAR )
顏色特征(顏色直方圖, 顏色矩, 顏色相關(guān)圖)
空間關(guān)系特征(基于模型的姿態(tài)估計(jì)方法, 基于學(xué)習(xí)的姿態(tài)估計(jì)方法)