清華大學807信息技術(shù)基礎(chǔ)綜合課程大綱

課程總述

清華大學深圳國際研究生院人工智能專業(yè)研究生入學考試807信息技術(shù)基礎(chǔ)綜合總分150分，考試大綱共10章。題型包括：填空題、是非判斷題、選擇題，名詞解釋，計算題。測試考生對信息技術(shù)領(lǐng)域特別是人工智能方向相關(guān)的基本概念、基礎(chǔ)理論與核心技能的掌握和運用能力

根據(jù)協(xié)議，一共30小時，40課時，每個課時45分鐘。

參考書目

《模式識別》 張學工編著 清華大學出版社，第三版（2010 年3 月）

2021年真題

清華大學課后習題

時間安排

一輪復習：8月初到10月底，要求能夠熟悉所有必考概念，原理和重點公式。

二輪復習：11月初到12月底，要求熟練掌握所有題形。

?

課時安排

1 模式識別基礎(chǔ)（2課時）?

1.1 模式與模式識別的概念

1.2 模式識別的主要方法

1.3 監(jiān)督模式識別與非監(jiān)督模式識別

1.4 模式識別系統(tǒng)舉例

1.5 模式識別系統(tǒng)的典型構(gòu)成

2 統(tǒng)計決策方法（4課時）

2.1 統(tǒng)計決策方法的基本概念

2.2 最小錯誤率貝葉斯決策

2.3 最小風險貝葉斯決策

2.4 兩類錯誤率、Neyman-Pearson 決策與 ROC 曲線

2.5 正態(tài)分布時的統(tǒng)計決策

2.5.1 正態(tài)分布及其性質(zhì)回顧

2.5.2 正態(tài)分布概率模型下的最小錯誤率貝葉斯決策

2.6 錯誤率的計算

2.6.1 正態(tài)分布且各類協(xié)方差矩陣相等情況下錯誤率的計算

2.6.2 高維獨立隨機變量時錯誤率的估計

2.7 離散概率模型下的統(tǒng)計決策

3 概率密度函數(shù)估計（4課時）

3.1 概率密度函數(shù)的估計的基本概念

3.2 最大似然估計

3.2.1 最大似然估計的基本原理

3.2.2 最大似然估計的求解

3.2.3 正態(tài)分布下的最大似然估計

3.3 貝葉斯估計與貝葉斯學習

3.3.1 貝葉斯估計

3.3.2 貝葉斯學習

3.3.3 正態(tài)分布時的貝葉斯估計

3.3.4 其他分布的情況

3.4 概率密度估計的非參數(shù)方法

3.4.1 非參數(shù)估計的基本原理與直方圖方法

3.4.2 k 近鄰估計方法

3.4.3 Parzen 窗法

4 線性分類器（6課時）

4.1 線性判別函數(shù)

4.2 Fisher 線性判別分析

4.3 感知器

4.4 最小平方誤差判別

4.5 最優(yōu)分類超平面與線性支持向量機

4.5.1 最優(yōu)分類超平面

4.5.2 大間隔與推廣能力

4.5.3 線性不可分情況

4.6 多線性分類器

4.6.1 多個兩類分類器的組合

4.6.2 多類線性判別函數(shù)

5 非線性分類器（8課時）

5.1 分段線性判別函數(shù)

5.1.1 分段線性距離分類器

5.1.2 一般分段線性判別函數(shù)

5.2 二次判別函數(shù)

5.3 多層感知器神經(jīng)網(wǎng)絡

5.3.1 神經(jīng)元與感知器

5.3.2 多個感知器組合

5.3.3 基于反向傳播算法的多層感知器

5.4 支持向量機

5.4.1 廣義線性判別函數(shù)

5.4.2 核函數(shù)變換與支持向量機

5.4.3 多類支持向量機

5.4.4 用于函數(shù)擬合的支持向量機

5.5 核函數(shù)機器

5.5.1 大間隔機器與核函數(shù)機器

5.5.2 核 Fisher 判別

6 其他分類方法（4課時）

6.1 近鄰法

6.1.1 最近鄰法

6.1.2 k-近鄰法

6.1.3 近鄰法的快速算法

6.1.4 剪輯近鄰法

6.1.5 壓縮近鄰法

6.2 決策樹與隨機森林

6.2.1 非數(shù)值特征

6.2.2 決策樹

6.2.3 過學習與決策樹的剪枝

6.2.4 隨機森林

6.3 Logistic 回歸

6.4 Boosting 方法

7 特征選擇（4課時）

7.1 特征的評價準則

7.1.1 基于類內(nèi)類間距離的可分性判據(jù)

7.1.2 基于概率分布的可分性判據(jù)

7.1.3 基于熵的可分性判據(jù)

7.1.4 利用統(tǒng)計檢驗作為可分性判據(jù)

7.2 特征選擇的最優(yōu)算法

7.3 特征選擇的次優(yōu)算法

7.4 特征選擇的遺傳算法

7.5 以分類性能為準則的特征選擇方法

8 特征提取（2課時）

8.1 基于類別可分性判據(jù)的特征提取

8.2 主成分分析方法

8.3 Karhunen-Lo?ve 變換

8.3.1 K-L 變換的基本原理

8.3.2 用于監(jiān)督模式識別的 K-L 變換

8.4 K-L 變換在人臉識別中的應用舉例

8.5 高維數(shù)據(jù)的低維顯示

8.6 多維尺度法

8.6.1 MDS 的基本概念

8.6.2 古典尺度法

8.6.3 度量型 MDS

8.6.4 非度量型 MDS

8.6.5 MDS 在模式識別中的引用

8.7 非線性變換方法簡介

8.7.1 核主成分分析（KPCA）

8.7.2 IsoMap 方法和 LLE 方法

9 非監(jiān)督模式識別（4課時）

9.1 基于模型的方法

9.2 混合模型的估計

9.2.1 非監(jiān)督最大似然估計

9.2.2 正態(tài)分布情況下的非監(jiān)督參數(shù)估計

9.3 動態(tài)聚類算法

9.3.1 C 均值算法

9.3.2 ISODATA 方法

9.3.3 基于樣本與核的相似性度量的動態(tài)聚類算法

9.4 模糊聚類算法

9.4.1 模糊集的基本知識

9.4.2 模糊 C 均值算法

9.4.3 改進的模糊 C 均值算法

9.5 分級聚類方法

9.6 自組織映射神經(jīng)網(wǎng)絡

9.6.1 SOM 網(wǎng)絡結(jié)構(gòu)

9.6.2 SOM 學習算法和自組織特性

9.6.3 SOM 用于模式識別

10 模式識別系統(tǒng)的評價 （2課時）

10.1 監(jiān)督模式識別方法的錯誤率估計

10.1.1 訓練錯誤率

10.1.2 測試錯誤率

10.1.3 交叉驗證

10.1.4 自舉法與.632 估計

10.2 有限樣本下錯誤率的區(qū)間估計問題

10.2.1 問題的提出

10.2.2 用擾動重采樣估計 SVM 錯誤率的置信區(qū)間

10.3 特征提取與選擇對分類器性能估計的影響

10.4 從分類的顯著性推斷特征與類別的關(guān)系

10.5 非監(jiān)督模式識別系統(tǒng)性能的評

?

?

?

?

?

?

?

?

?