导图社区 模式识别
识别模式，绪论，线性分类器，贝叶斯分类器，特征降维，数据聚类，组合分类器，模糊分类，神经网络知识点总结。
社区模板帮助中心，点此进入>>
论语孔子简单思维导图
《傅雷家书》思维导图
《童年》读书笔记
《茶馆》思维导图
《朝花夕拾》篇目思维导图
《昆虫记》思维导图
《安徒生童话》思维导图
《鲁滨逊漂流记》读书笔记
《这样读书就够了》读书笔记
妈妈必读：一张0-1岁孩子认知发展的精确时间表
模式识别
绪论
什么是模式识别
生物识别能力
人工智能（模式识别历史）
模式识别概念
模式识别特点
只能识别已知
研究机器识别
学习和分类（两大问题）
依据为相似性
结果可能出错
方法和应用
结构
流程
采集
预处理
降维
分类器（有监督学习，无监督学习）
分类决策
方法
典型应用
基础概念
样本、模式、模式类
特征、特征空间、特征向量
相似度度量（距离、非距离）
紧致性
维数灾难
线性分类器
判别函数
决策论方法各种定义
判别函数（包含线性分类器定义）
线性可分性和广义线性判别函数
两类问题
多分类线性判别
线性可分
两两可分
最大值可分
线性判别函数的几何意义
分类器设计
感知器
模型解释
样本特征向量规范化
算法步骤
学习率选择
深入分析
LMSE
松弛求解
LMSE过程
H-K
最优裕量b
SVM
分类间隔与支持向量
主要特点（包含结构风险与经验风险）
线性SVM
非线性SVM
异常点
本质线性不可分（核函数）
贝叶斯分类器
贝叶斯分类
逆推理、确定性推理、概率推理
贝叶斯公式
确定性决策分类
随机性决策分类
特点
各种分类器
最小错误率（与最大后验概率等价）
最大似然
朴素贝叶斯
最小风险
正态分布下贝叶斯
正态分布
多维（多种情况、马氏距离）
错误率
分类错误率
正态分布下分类错误率
训练
设计原理
类条件概率估计
参数估计
最大似然估计
贝叶斯估计
非参数估计
先验概率估计
特征降维
基本概念
特征生成（主成分）
特征提取
特征选择
类别可分性度量（准则函数选取）
选取原则
测度
类内类间距离
概率距离（K-L散度）
使用类内类间距离进行特征提取
准则函数构造
J1
J2
特征选择算法
独立算法
穷举算法
分支界定
原理
搜索路由
次优算法
顺序前进
顺序后退
动态顺序前进
数据聚类
聚类的定义、依据
聚类特点
无监督
结果多样化
解决量纲问题（归一化）
应用（实现的目标）
启动分类器设计
揭示内在联系
降低复杂度
过程
选特征
相似度度量
样本间
类间
设定聚类准则
选择算法
结果评价
试探
最大最小距离
层次聚类
融合
分解
动态
k-均值
ISODATA
组合分类器
概念（包含要求）
类型
bagging
boosting
stacking
组合分类算法
随机森林（bagging)
决策树（基础）
Adaboos(boosting)
模糊分类
模糊数学
集合及特征函数
模糊集合
概念模糊性
隶属度函数
模糊子集
模糊集合基本计算
α-水平截集
模糊关系与模糊矩阵
模糊识别方法
最大隶属度（两种形式）
择近原则
贴进度
识别法
基于模糊等价关系
等价关系
模糊等价关系
基于模糊等价关系的聚类
模糊k-均值
神经网络
人工神经元模型
生物神经元
激活函数
人工神经元网络
前馈型
反馈型
网络的学习（有监督为主）
实现（GPU、FPGA等）
人工神经元学习规则
误差反馈
δ学习
Hebb
神经网络学习规则
逐层更新
竞争学习
概率型学习（玻尔兹曼机）
浅层神经网络
感知器网络
BP网络
深度学习
概念与特点
深度信念网络结构
玻尔兹曼机
网络结构
深度信念网络训练
无监督的预训练（核心：对比散度）
对比散度
调优
Wake-Sleep
联合训练
BP算法
卷积神经网络原理
深度信念不适配
局部感受野
神经感知机
LeNet
AlexNet
卷积的训练与结构
卷积
池化
误差反向传播（不同层级处理）
结构模式识别
应用
基元
表达
串
图
主要方法
图表达
串表达
句法模式识别
形式语言理论
4种文法类型与关系
最近邻
最近邻分类器
最小距离分类（分类规则）
最近邻分类器原理（非参数）
错误率（不会小于最小错误率贝叶斯）
k近邻分类器
改进
快速kNN
压缩近邻法
