模式识别就其学术内涵，是一门数据处理、信息分析的学科，就其应用特征讲，属于人工智能、机器学习范畴。 模式识别课程是本科生信息工程及相关专业的专业基础课，也是许多其它专业的选修课, 在知识结构中占有很重要的位置。对于巩固已学知识、开展专业课学习及未来工作具有重要意义

• 课时1：概述 (38分27秒)
• 课时2：特征矢量及特征空间、随机矢量、正态分布特性 (39分3秒)
• 课时3：聚类分析的概念、相似性测度 (40分31秒)
• 课时4：相似性测度（二） (41分41秒)
• 课时5：类间距离、准则函数 (37分0秒)
• 课时6：聚类算法：简单聚类算法、谱系聚类算法 (42分16秒)
• 课时7：聚类算法：动态聚类算法——C均值聚类算法 (32分16秒)
• 课时8：聚类算法：动态聚类算法——近邻函数算法 (42分46秒)
• 课时9：聚类算法实验 (6分3秒)
• 课时10：判别域界面方程分类的概念、线性判别函数 (32分25秒)
• 课时11：判别函数值的鉴别意义、权空间及解空间、fisher线性判别 (45分50秒)
• 课时12：线性可分条件下判别函数权矢量算法 (46分43秒)
• 课时13：一般情况下的判别函数权矢量算法 (36分43秒)
• 课时14：非线性判别函数 (53分42秒)
• 课时15：最近邻方法 (39分29秒)
• 课时16：感知器算法实验 (5分10秒)
• 课时17：最小误判概率准则 (38分23秒)
• 课时18：正态分布的最小误判概率、最小损失准则判决 (46分30秒)
• 课时19：含拒绝判决的最小损失准则、最小最大损失准则 (41分54秒)
• 课时20：Neyman—Pearson判决、实例 (35分47秒)
• 课时21：概述、矩法估计、最大似然估计 (39分2秒)
• 课时22：贝叶斯估计 (36分23秒)
• 课时23：贝叶斯学习 (44分28秒)
• 课时24：概密的窗函数估计方法 (51分51秒)
• 课时25：有限项正交函数级数逼近法 (40分42秒)
• 课时26：错误率估计 (30分9秒)
• 课时27：小结 (35分50秒)
• 课时28：实验3-4-5 Bayes分类器-kNN分类器-视频动目标检测 (35分11秒)
• 课时29：概述、类别可分性判据（一） (44分2秒)
• 课时30：类别可分性判据（二） (43分27秒)
• 课时31：基于可分性判据的特征提取 (48分28秒)
• 课时32：离散KL变换与特征提取 (32分23秒)
• 课时33：离散KL变换在特征提取与选择中的应用 (32分23秒)
• 课时34：特征选择中的直接挑选法 (27分49秒)
• 课时35：综合实验-图像中的字符识别 (41分21秒)

展开↓