1 模式識別與機器學(xué)習(xí)基本概念
1．1 模式識別
1．1．1 基本概念
1．1．2 模式識別應(yīng)用
1．1．3 模式識別系統(tǒng)
1．1．4 模式識別基本方法
1．1．5 模式識別基本問題
1．1．6 模式識別基本準(zhǔn)則
1．2 機器學(xué)習(xí)
1．2．1 簡介
1．2．2 機器學(xué)習(xí)的分類
1．2．3 深度學(xué)習(xí)
1．3 機器學(xué)習(xí)與模式識別算法評價指標(biāo)
1．3．1 查全率與準(zhǔn)確率
1．3．2 交叉驗證
1．3．3 混淆矩陣
1．4 K近鄰算法
1．5 頂級會議和期刊
1．5．1 頂級會議
1．5．2 頂級期刊
1．5．3 國內(nèi)重要期刊

2 判別函數(shù)
2．1 判別函數(shù)
2．1．1 線性判別函數(shù)
2．1．2 非線性判別函數(shù)
2．2 Fisher線性判別函數(shù)

3 特征提取與選擇
3．1 簡介
3．2 基本概念
3．3 類別可分性判據(jù)
3．3．1 基于距離的可分性判據(jù)
3．3．2 基于概率分布的可分性判據(jù)
3．4 主成分分析
3．4．1 簡介
3．4．2 基本原理
3．4．3 具體步驟
3．4．4 應(yīng)用舉例
3．4．5 核主成分分析法
3．5 圖像特征
3．5．1 顏色特征
3．5．2 紋理特征
3．5．3 形狀特征

4 貝葉斯分類
4．1 簡介
4．1．1 相關(guān)統(tǒng)計概念
4．1．2 貝葉斯定理
4．2 貝葉斯分類
4．3 樸素貝葉斯分類
4．3．1 簡介
4．3．2 基本原理
4．3．3 分類舉例
4．4 貝葉斯網(wǎng)絡(luò)
4．4．1 結(jié)構(gòu)形式1
4．4．2 結(jié)構(gòu)形式2
4．4．3 結(jié)構(gòu)形式3
4．4．4 舉例
4．5 基于Python的樸素貝葉斯分類實現(xiàn)

5 聚類分析
5．1 聚類概念
5．2 聚類算法分類
5．3 相似性度量
5．4 聚類準(zhǔn)則
……

6 支持向量機
7 人工神經(jīng)網(wǎng)絡(luò)
8 機器學(xué)習(xí)與模式識別應(yīng)用——以農(nóng)業(yè)為例
9 線性代數(shù)
10 概論論與數(shù)理統(tǒng)計
11 最優(yōu)化理論與信息論
參考文獻