天津大学模式识别2课程教学大纲
《模式识别》课程教学大纲
《模式识别》课程教学大纲课程名称：模式识别/Pattern Recognition课程编号：Y08030D开课单位：理学院课程学时：36课程学分：2学生层次：硕士研究生授课方式：讲授适用专业：应用数学课程性质：选修课考试方式：考查教学大纲撰写人：魏明果预修课程：概率论，图象处理一、教学目标与要求《模式识别》是以图象处理技术为基础，研究计算机识别物体的机理，该课程的学习将为计算机视觉以及人工智能等学科的学习打下基础。
本课程主要介绍模式识别的基本概念、基本原理、典型方法、实用技术以及有关研究的新成果，其目的是使学生掌握模式识别的基本概念和基本原理，了解模式识别的具体应用、存在的问题和发展前景。
二、课程主要内容：（一）统计模式识别（二）句法模式识别（三）模糊模式识别其中统计模式识别又分为：（1）用似然函数进行模式识别；（2）用距离函数机型模式识别；（3）特征选择；句法模式识别又分为：（1）串文法的表达与分类；（2）句法识别；（3）文法推断。
课程的教学内容和基本要求第1章引论 21.1 模式识别概况1.2 模式识别应用举例1.3 模式识别方法第2章数学基础 22.1 多元正态2.2 随机变量的线性变换统计模式识别第3章用似然函数进行模式识别83.1 几钟统计决策规则3.2 错误率3.3 参数估计第4章用距离函数进行模式识别64.1最小距离分类法4.2 相似性度量和集群规则4.3 系统聚类4.4 动态聚类第5章特征选择 65.1 维数问题和类内距离5.2 聚类变换5.3 K_L变换5.4 分散度句法模式识别第6章句法模式识别206.1串文法的表达与分类6.2 句法识别6.3 文法推断6.4 混合模式识别模糊模式识别6第7章模糊模式识别三、教材名称：《模式识别》第二版，边肇祺，张学工等编著，清华大学出版社三、主要参考书：（1）J. T. Tou,《Pattern Recognition Principle》（2）Gonzalez, Thomason, 《Syntatic Pattern Recognition－an introduction》（3）Duda, Hart, 《Pattern Classifier & Scene Analysis》。
模式识别课程教学大纲
《模式识别》课程教学大纲课程编号：50420361课程名称：模式识别英文名称：Pattern Recognition课程类别：专业限选课学分：2学时：40开课学期：一开课周次：11-20开课教研室：自动化系计算机控制教研室任课教师及职称：刘禾教授先修课程：概率论适用专业：模式识别与智能系统、控制理论与控制工程课程目的和基本要求：课程设置的目的使硕士研究生掌握模式识别的基本理论与方法。
通过课程学习要求学生掌握模式识别的基本理论与方法，了解这些理论与方法的一些典型应用。
通过本课程学习使学生初步具有运用相应理论解决实际问题的能力。
课程主要内容：本课程总学时40学时，从统计模式识别、聚类分析和模糊模式识别等几个方面介绍模式识别的基本理论和知识,全部课程内容分九章，各章具体内容、学时分配如下：第一章概述（4 学时）内容：模式识别分类、系统构成、一些模式识别实用技术和模式识别系统评价方法。
第二章贝叶斯分类方法（4学时）内容：几种常用的分类决策方法：如基于最小错误率的贝叶斯决策、基于最小风险的贝叶斯决策和最大最小决策等。
介绍分类器设计一般规则。
第三章特征的选择与提取（2学时）内容：特征的选择原则和基本方法，特征提取对分类的影响分析。
第四章线性判别函数（4学时）内容：线性分类的基本概念和线性判别函数基本形式，Fisher线性判别方法，支持向量机和多类问题的分类方法。
第五章非线性判别函数（4学时）内容：非线性的分段线性判别方法，特征空间变换，非线性空间的支持向量机和决策树方法。
第六章人工神经网络（8学时）内容：神经网络基础，常用神经网络介绍，基于神经网络的模式识别方法。
第七章聚类分析（6学时）内容：模式的相似性测度，类的定义及类间距和各种聚类算法介绍，如层次聚类算法、动态聚类法和概念合取聚类法等。
第八章模糊模式识别方法（4学时）内容：模糊集、模糊关系和模糊分类方法。
第九章应用举例（4学时）内容：介绍国内外最新研究成果和应用实例。
模式识别课程实验教学大纲
《模式识别》课程实验教学大纲一、制定实验教学大纲的依据根据本校《2004级本科指导性培养计划》和《模式识别》课程教学大纲制定。
二、本课程实验教学在培养实验能力中的地位和作用《模式识别》课程是电子信息专业、自动化专业教学计划一门以应用为基础的专业选修课。
是研究如何用机器去模拟人的视觉、听觉、触觉以识别外界环境的理论与方法，其主要任务是使学生获得如何对对象进行分类的有关理论和方法方面的知识。
实验课是本课程重要的教学环节,其目的是使学生掌握统计模式识别的基本分类方法的算法设计及其验证方法，通过接受设计性实验的训练，以提高学生的分析、解决问题的能力。
三、本课程应讲授的基本实验理论1、非监督参数估计的基本原理；2、比较监督参数估计、非监督参数和非参数估计三种样本集估计概率密度方法的差异；3、用Parzen窗法进行总体分布非参数估计的原理；4、Kn近邻法进行总体分布非参数估计的原理；5、感知器算法的基本思想；6、应用感知器算法实现线性可分样本的分类方法；7、高维特征空间向低维特征空间转换的Fisher准则方法。
四、实验教学应达到的能力要求1、掌握根据概率密度用MATLAB生成实验数据的原理和方法；2、掌握用Parzen窗法和Kn近邻法进行总体分布的非参数估计方法，以加深对非参数估计基本思想的认识和理解；3、通过自编程序和程序运行结果，说明Parzen窗法和Kn近邻法各自的优缺点；4、掌握根据已知类别的样本用感知准则进行线性判别函数设计的方法；5、通过编制程序，实现感知器准则算法，并实现线性可分样本的分类；6、掌握高维特征空间向低维特征空间转换的Fisher准则方法；7、通过编制程序并上机运行体会Fisher线性判别的基本思路，理解线性判别的基本思想，掌握Fisher线性判别问题的实质。
五、学时、教学文件学时：本课程总学时为32学时,其中实验为4学时，占总学时的13％。
教学文件：校编《模式识别实验指导书》；实验报告学生自拟。
模式识别教学大纲
模式识别教学大纲模式识别是利用机器模仿人脑对现实世界各种事物进行描述、分类、判断和识别的过程，是信息科学和人工智能的重要组成部分。
模式识别与我们日常生活中所用到的智能技术息息相关，小到手机上的智能语音播报，指纹匹配和人脸识别，大到自动驾驶、医学检测、智能制造都用到了模式识别的相关算法和理论。
课程概述模式识别是一门与人工智能密切相关的专业课，本课程主要系统介绍模式识别的基本理论和方法，包括：模式识别的基本理论、监督模式识别中常用的线性和非线性分类器、非监督模式识别的分类器设计方法以及特征选择和提取的方法、分类器的评价方法等。
模式识别作为一门实践性很强的学科，授课的时候采用算法的理论讲解和实验演示相结合的方法来进行。
通过本课程的学习，不仅可以系统掌握模式识别的基本知识、理论和方法，了解模式识别的发展趋势和应用领域，还能够为将来进一步深入学习和研究模式识别和人工智能打下坚实的基础，帮助我们提高解决工程问题的能力。
授课目标模式识别作为一门实践性很强的学科，授课的时候采用算法的理论讲解和实验演示相结合的方法来进行。
通过本课程的学习，可以系统掌握模式识别的基本知识、理论和方法，了解模式识别的发展趋势和应用领域，不仅能够为将来进一步深入学习和研究模式识别和人工智能打下坚实的基础，还会帮助我们提高解决工程问题的能力。
课程大纲第一章绪论第一讲模式与模式识别第二讲模式识别的主要方法第三讲模式识别系统的应用举例第四讲模式识别系统的典型构成第一章绪论部分的单元测试第二章贝叶斯决策理论第一讲贝叶斯决策基础第二讲基于最小错误率的贝叶斯决策第三讲基于最小风险的贝叶斯决策第四讲贝叶斯分类器的设计第五讲正态分布时的统计决策第六讲matlab代码演示实例贝叶斯决策理论测试（一）贝叶斯决策理论单元测试（二）第三章概率密度函数的估计第一讲最大似然估计第二讲贝叶斯估计第三讲贝叶斯学习概率密度函数的估计的单元测试第四章线性分类器第一讲引言第二讲线性判别函数的基本概念第三讲Fisher线性判别第四讲Fisher线性判别matlab演示第五讲感知器算法第六讲感知器算法实例第七讲感知器算法matlab演示第八讲最小平方误差判别关于感知器算法和最小平方误差判别的测验关于fisher线性判别准则的测验第五章非线性分类器第一讲分段线性判别函数第二讲二次判别函数第三讲神经网络的基础知识和BP神经网络第四讲神经网络参数的确定第五讲多层神经网络在模式识别中的应用方法第六讲BP神经网络的matlab实例单元测试（一）单元测试（二）单元测试（三）第六章其他分类方法近邻法的测试第一讲近邻法原理第二讲快速搜索近邻法第三讲剪辑近邻法第四讲压缩近邻法第七章决策树第一讲决策树第二讲id3算法第三讲随机森林决策树的测试第八章非监督模式识别第一讲动态聚类方法第二讲分级聚类方法非监督模式识别测试题第九章特征选择和特征提取第一讲特征选择和提取的基本概念第二讲特征选择的判据第三讲特征选择的最优和次优算法第四讲特征提取的PCA算法第五讲K-L变换第六讲特征提取的matlab演示实例特征选择的测试题目特征提取的单元测试第十章模式识别系统的评价第一讲监督模式识别中错误率的估计方法第二讲监督模式识别中的交叉验证及自举法第三讲影响分类器性能估计的其它因素第四讲非监督模式识别系统性能的评价系统评价的测试预备知识具有一定的数学基础，掌握了线性代数以及概率论与数理统计两门课程涉及到的知识，如果有人工智能的相关基础就更好了！参考资料[1] 张学工《模式识别》（第3版），清华大学出版社，2010年。
《模式识别》课程教学大纲(本科)
《模式识别》课程教学大纲课程编号：04226课程名称：模式识别英文名称：Pattern Recognition课程类型：专业课课程要求：选修学时/学分：32/2 （讲课学时：28 实验学时：4）适用专业：智能科学与技术一、课程性质与任务模式识别课程是智能科学与技术专业的•门选修课，是研究计算机模式识别的基本理论和方法、应用。
模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。
这门课的教学目的是让学生掌握统计模式识别和结构模式识别基本原理和方法。
本课程的主要任务是通过对模式识别的基本理论和方法、运用实例的学习，使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。
本课程的教学目的是为了使学生能应用模式识别处理计算机自动识别事物，机器学习数据分析中有关的技术问题。
由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。
学生在学习过程中还会用到一些概率论的最基本知识，线性代数中的部分知识，对学生在数学课中学到知识的进一步理解与巩固起到温故而知新的作用。
（该门课程支撑毕业要求中1.1, 2.1, 3.1, 3.3, 4.1, 6.1, 10.1和12.1）二、课程与其他课程的联系先修课程：概率论与数理统计、线性代数、机器学习后续课程：智能感知综合实践先修课程概率论与数理统计和线性代数为学生学习模式识别技术中最基本的概念，必要的数学推导打下基础，机器学习可以使学生建立整体思考问题的方法，并具有系统性能优化的概念。
本课程为后续智能优化方法打下理论基础。
三、课程教学目标1. 学习模式识别基本理论知识，理解参数估计的基本思想，掌握最大似然和贝叶斯儿种典型算法，理解聚类分析的的基本思想，掌握聚类分析的几种典型算法：（支撑毕业要求1.1,2.1）2. 具有数学分析和识别的基本能力；（支撑毕业要求1.1）3. 掌握基本的识别优化创新方法，培养学生追求创新的态度和意识；（支撑毕业要求3.1）4. 培养学生树立正确的分析和识别思想，了解设计过程中国家有关的经济、环境、法律、安全、健康、伦理等政策和制约因素；（支撑毕业要求3.3）5. 培养学生的工程实践学习能力，使学生具有运用标准、规范、手册、图册和查阅有关技术资料的能力；（支撑毕业要求4.1, 6.1）6, 了解模式识别方法前沿和新发展动向；（支撑毕业要求10.1, 12.1）四、教学内容、基本要求与学时分配五、其他教学环节（课外教学环节、要求、目标）无六、教学方法本课程以课堂教学为主，结合作业、自学及洲验等教学手段和形式完成课程教学任务。
模式识别教学大纲
模式识别大纲
《模式识别》教学大纲一、课程的教学口标和任务本课程是一门模式识别与智能计算方向的导论基础课，适合计算机各专业对该学科有兴趣的学生选修。
本课程的目的是通过学习使学生了解模式识别技术的基本概念、基本理论、基本算法和应用方式，理解模式识别的主要研究内容、研究方向和研究方法，掌握统讣模式识别和结构模式识别的基础算法。
本课程的任务是通过教师对课程的讲授，使学生了解模式识别学科的基本概念、基本理论和研究思路，掌握模式识别的分类决策理论和基本算法，掌握模式识别分析的基本理论和基本算法，培养学生利用所学知识解决模式识别方面的实际问题的基本能力，为后续模式识别与智能系统专业的学习和深入研究奠定基础。
二、教学内容及学时分配总学时：32学时第一章绪论（5学时）1、课程内容一、模式识别中的概念二、模式识别系统构成三、特征选择方法概要2、重点、难点⑴教学重点：本课程是汁算机信息处理领域的基础理论课程，明确模式识别的基本功能与基本概念⑵教学难点：快速将学生引入模式识别领域，提升学生对计算机理论研究的兴趣。
3、基本要求灵活应用紧致性处理模式之间是否可分的问题；通过掌握判别阈值法，明确模式识别的基本处理方法，模式识别是如何分析解决现实问题的；掌握特征生成方法中的提取和选择，对于给定实物特征能领会提取实物的有用信息。
第二章分类器设计（10学时）1、课程内容第一节基于概率统计•的贝叶斯分类器设计一、贝叶斯决策的基本概念二、基于最小错误率的的贝叶斯决策三、基于最小风险的贝叶斯分类实现第二节判别函数分类器设计一、判别函数的基本概念二、LMSE分类算法三、fisher分类算法第三节神经网络分类器设计一、人工神经网络的基本原理二、BP神经网络第四节决策树分类器一、决策树的基本概念二、决策树分类器设计第五节粗糙集分类器一、粗糙集理论的基本概念二、粗糙集在模式识别中的应用三、粗糙集分类器设计2、重点、难点⑴教学重点：如何保证分类器设计完成后，能正常分类，如何查找错分情况，如何分析错分可能性；⑵教学难点：阐明分类器设汁中的数学理论，增强其对分类器的理论支撑。
模式识别 教学大纲
模式识别一、课程说明课程编号：420120Z10课程名称：模式识别/ Pattern Recognition课程类别：专业教育课程学时/学分：32/2先修课程：高等数学、线性代数、概率统计等适用专业：自动化、探测制导与控制、信息与计算科学、应用数学教材、教学参考书：[1]模式识别，张学工编，清华大学出版社，2010年8月。
[2]模式识别，边肇祺，清华大学出版社，2000；[3]模式识别-原理、方法及应用，吴逸飞译。
清华大学出版社，2003；[4]模式分类（原书第二版）.（美）迪达等著，李宏东等译.机械工业出版社，2003；[5]统计模式识别（第三版）, Keith D. Copsey Andrew R. Webb著,王萍等(译)，电子工业出版社，2015.1。
二、课程设置的目的意义本课程主要研究计算机模式识别的基本理论、方法和应用。
本课程的教学目标是，通过本课程的学习，使学生掌握模式识别的基本概念、基本原理，理解并掌握诸如贝叶斯估计、最大似然估计等基本分析方法与算法，培养学生利用模式识别方法，运用技能解决本专业和相关领域的实际问题的能力。
三、课程的基本要求1.知识要求①熟悉模式识别的相关常识与概念，以及一些基本问题和研究方法；②理解最小错误率贝叶斯决策和最小风险贝叶斯决策；③理解最大似然估计、贝叶斯方法与概率密度估计；④理解线性判别函数的基本概念,理解fisher线性判别分析;⑤理解分段线性判别函数和二次判别函数；⑥理解特征的评价准则。
2.能力要求①掌握模式识别的基本思想和方法；②能对实际模式识别问题进行数学抽象，建模分析；③具备借助于计算机进行一定模式识别的分析和设计能力。
3.素质要求能到中电、兵器及其它民用单位从事自动目标识别工程，包括武器系统的导弹制导、交通及安防等行业的目标识别等，以及国民经济中其它有关部门的模式识别工程的技术工作。
四、教学内容、重点难点及教学设计注：实践包括实验、上机等五、实践教学内容和基本要求无。
天津大学《(课程名称)》课程教学大纲(四号黑体)
天津大学《××××（课程名称）》课程教学大纲（四号黑体）（以下正文：题头为加黑小四号宋体，内容为普通小四号宋体，1.5倍行距）课程编号：课程名称：学时：学分：学时分配：授课：上机：实验：实践：实践（周）：授课学院：适用专业：先修课程：一、课程的性质与目的二、教学基本要求（要求学生了解、掌握的内容）三、教学内容（分章节说明，包括实验、实践内容）四、学时分配五、评价与考核方式（多种考核方式需注明所占比例）六、教材与主要参考资料（分条目列出，需注明名称、主编或译者、出版社、出版时间）（如需细化实验学时内容，请填写附表）附表：实验项目及内容提要TU Syllabus for XXXX(Times New Roman 四号)（以下正文：题头为加黑小四号Times New Roman，内容为普通小四号Times New Roman，1.5倍行距）Code: Title:Semester Hours: Credits:Semester Hour Structure Lecture：Computer Lab：Experiment：Practice：Practice (Week)：Offered by:for:Prerequisite:1. Objective（要求学生了解、掌握的内容）2. Course Description(对本课程的概述)参见：/catalog/search.cgi?search=3.091&style=verbatim 3. Topics（详细的教学内容，分章节说明，包括实验、实践内容）4. Semester Hour Structure6. Text-Book & Additional Readings。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
天津大学《模式识别2》课程教学大纲课程代码：2160265 课程名称：模式识别2学 时： 20 学 分： 1学时分配： 授课：12 上机：8 实验： 实践： 实践（周）：授课学院： 计算机学院适用专业： 计算机科学与技术先修课程： 高等数学，线性代数，概率统计一．课程的性质与目的本课程讲授模式识别的基本理论与基本方法。
具体介绍模式识别问题定义，贝叶斯分类器，错误率估计，概率密度估计，窗方法，线性判别分类器，多类别分类，紧邻法，支持向量机，人工神经网络，分类树，K均值聚类，分级聚类等基础模式识别算法的理论和实际使用方法。
二．教学基本要求要求学生了解模式识别的基本理论，掌握基本算法原理，能够根据给出的数据和要求，选择合适的算法，使用现有的软件解决模式识别的模型训练，测试，性能评价问题。
三．教学内容第一章：模式识别的问题定义与数据收集介绍模式识别的问题定义方法，数据形式，模型形式，并指导学生进行一次实际的数据收集。
实践内容：收集包括身高，体重，性别三个维度的数据，并按照模式识别的数据要求进行整理第二章：贝叶斯分类器及其性能评价介绍贝叶斯分类器，两种错误的概念及其估计，证明最小错误率分类器，介绍概率密度估计的基本理论，窗估计方法，介绍性能评价体系，交叉验证的概念，过学习的概念，推广性的概念。
实践内容：利用第一章中收集的数据，建立贝叶斯分类器并进行性能评价。
第三章：线性分类器介绍线性分类器的基本理论，Fisher线性判别器，线性分类器的性能评价。
实践内容：利用第一章的数据，建立Fisher线性分类器，并进行性能评价。
第四章：人工神经网络和支持向量机简介介绍人工神经网络的基本概念和算法，反向传播（BP）训练算法，支持向量机基本概念和算法。
简单介绍统计机器学习理论（SLT）的最基本概念：VC维，泛化能力，模型选择定理。
实践内容：利用第一章中的数据，建立人工神经网络和支持向量机模型，并进行性能评价。
第五章：紧邻法介绍紧邻法的基本理论和方法，紧邻法的错误率边界定理，紧邻法的实现技术，紧邻法在应用上的优势与局限，稀疏性问题。
实践内容：利用第一章中的数据，建立紧邻法分类模型并进行性能评价第六章：分类树介绍分类树的基本理论和方法，介绍C4.5算法的理论与实现。
实践内容：利用第一章中的数据，建立分类树模型并进行性能评价。
第七章：聚类介绍聚类与无监督学习的基本理论和方法，介绍K均值聚类，分级聚类的理论与实现。
简单介绍K均值聚类算法的局限和改进算法。
简单介绍半监督学习的基本方法。
实践内容：利用第一章中的数据，建立聚类模型，并进行模型评价第八章：分类器组合与在线算法介绍分类器组合的基本理论和基本算法，介绍Logistic和semi-logistic 回归技术,AdaBoost技术，Bagging和BootStrap技术，介绍模型训练的在线算法的基本概念和实现算法在线化的基本方法。
实践内容：利用第一章中的数据，建立组合分类器，并进行模型评价 四．学时分配教学内容 授课 上机 实验 实践 实践(周)第一章 1 1第二章 1 1第三章 1 1第四章 1 1第五章 2 1第六章 2 1第七章 2 1第八章 2 1总计： 12 8五．评价与考核方式期末考试（80%）+平时作业（20%）六．教材与主要参考资料教材：模式识别（第三版）作 者：张学工出 版 社：清华大学I S B N ：9787302225003出版时间：2010-8-1开 本：16页 数：237页制定人：审核人：批准人：批准日期：年月日TU Syllabus for Pattern Recognition 2Code:2160265 Title: Pattern Recognition 2 Semester Hours: 20Credits:1Semester Hour Structure Lecture ：12 Computer Lab ：8 Experiment ： Practice ：Practice (Week)：Offered by: School of Computer Science and Technology for: Computer Science and TechnologyPrerequisite: Calculus, Linear Algebra, Statistics, Probability1. ObjectiveThe students will be required to learn the basic theory of pattern recognition including the basic principles, concepts and methods, as well as the implementation of the algorithms. The students need to master the usage and application of existing software for pattern recognition, as well as the performance evaluation of the model and the training procedure. Students need to learn calculus, linear algebra, and statistics before taking this course. The knowledge of stochastic process could also be helpful, but not required.2. Course DescriptionThis course will introduce the basic principle and methods for pattern recognition. This includes problem definition, data format, Bayesian classifier, error rate estimation, probability density estimation, parzen-windowed method, linear classifier, multi-class classifier, nearest-neighbor method, support vector machine, artificial neural network, classification tree, K-means clustering, hierarchical clustering and other basic pattern recognition methods. 3. TopicsChapter 1: Pattern Recognition Problem definition and data collectionThis chapt will introduce the definition of pattern recognition and the regular form for presenting a pattern recognition problem.Practice: Collect a toy problem dataset including the height, weight and genderof your classmates. Format these data to a PR dataset. The Practice of each coming Chapter will be the application of the corresponding algorithm on this dataset.Chapt2: Bayesian classifier and performance evaluationThis Chapt will introduce the basic theory of Bayesian classifier, two types of error and error rate estimation, minimal error rate classifier theorem, as well as the probability density estimation using parzen method and the performance evaluation frame with the cross-validation methods. The concept of over-fitting and generalization ability will also be mentioned.Chapt 3: Linear ClassifierThis chapt will introduce the basic theory of the linear classifier, Fisher linear decision, performance estimation of linear classifiers.Chapt 4: Briefings in Artificial Neural Network and Support Vector MachineThis chapt will introduce the most basic concept and principle of Support Vector Machine and Artificial Neural Network, including the training algorithm of SVM and BP algorithm. The most basic concept of statistical learning theory will also be introduced (VC-dimension, generalization, model selection theorem).Chapt5:Nearest-NeighborThis Chapt will introduce the basic theory and methods for nearest-neighbor method, including the error rate boundary theorem, implementation skills, practical problem on imbalanced dataset, the sparse dataset problem.Chapt 6: Classification TreeBasic theory and method for classification tree, implementation of C4.5 algorithm.Chapt 7： ClusteringThis chapt will introduce the clustering and non-supervised learning principle and methods. The K-means clustering, hierarchical clustering algorithm as well as the problem of these algorithm and the improvements, will be introduced. Semi-Supervised learning will also be mentioned.Chapt 8: Classifier ensembles and online boostingThis chapt will introduce the basic theory and algorithm of : logistic regression,semi-logistic regression, adaboost, bagging, bootstrap and online training algorithms.4. Semester Hour StructureTopics Lecture ComputerLab. ExperimentPracticePractice (Week) Chapt 1 1 1 Chapt 2 1 1 Chapt 3 1 1 Chapt 4 1 1 Chapt 5 2 1 Chapt 6 2 1 Chapt 7 2 1 Chapt 82 1Sum: 12 85. GradingFinal Exam (80%) + Homework (20%)6. Text-Book & Additional ReadingsPATTETN RECOGNITION （3rd Ed ） Xuegong ZhangTsinghua University Press ISBN: 9787302225003 2010-8-1Constitutor: Reviewer: Authorizor: Date:。