DX3004模式识别与人工智能--教学大纲概要
最新《人工智能》课程教学大纲打印版.doc
《人工智能》课程教学大纲（Artificial Intelligence）课程性质：院公选课适用专业：各专业先修课程：离散数学、数据结构、操作系统原理后续课程：总学分：2学分一、教学目的与要求1．教学目的人工智能主要研究解释和模拟人类智能、智能行为及其规律的一门学科，其主要任务是建立智能信息处理理论，进而设计可以展现某些近似于人类智能行为的计算机系统。
本课程要求学生掌握人工智能的基本原理，了解人工智能中常用的基本技术，诸如：知识表示技术、搜索技术、自动推理技术以及专家系统等，同时学会运用Prolog语言求解人工智能的实际问题。
2．教学要求学生必须具有离散数学、程序设计、数据结构、操作系统方面的知识。
二、课时安排三、教学内容1．人工智能概述（4学时）（1）教学基本要求了解：人工智能的发展概况理解：人工智能的概念掌握：人工智能的研究途径与方法、人工智能的分支领域灵活运用：人工智能的基本技术（2）教学内容①人工智能的概念②人工智能的研究途径与方法(重点)③人工智能的分支领域(重点、难点)④人工智能的基本技术(难点)⑤人工智能的发展概况2．人工智能程序设计语言（6学时）（1）教学基本要求了解：人工智能程序设计语言分类掌握：函数型程序设计语言LISP和逻辑型程序设计语言PROLOG灵活运用：Turbo PROLOG程序设计语言（2）教学内容①综述②函数型程序设计语言LISP(重点)③逻辑型程序设计语言PROLOG(重点、难点)④Turbo PROLOG程序设计(难点)3．基于谓词逻辑的机器推理（6学时）（1）教学基本要求理解：谓词及谓词逻辑，形式演绎推理掌握：归结演绎推理灵活运用：应用归结原理求取问题答案了解：Horn子句归结与逻辑程序、非归结演绎推理（2）教学内容①一阶谓词逻辑②归结演绎推理(重点)③应用归结原理求取问题答案(重点、难点)④归结策略⑤归结反演程序举例⑥Horn子句归结与逻辑程序(难点)⑦非归结演绎推理4．图搜索技术（8学时）（1）教学基本要求掌握：状态图搜索方法、与或图搜索方法灵活运用：状态图搜索方法进行问题求解、与或图搜索方法进行问题求解了解：博弈树搜索技术（2）教学内容①状态图搜索(重点、难点)②状态图问题求解(重点)③与或图搜索(重点、难点)④与或图问题求解（难点）⑤博弈树搜索5．产生式系统（4学时）（1）教学基本要求掌握：产生式规则、产生式系统灵活运用：产生式系统了解：产生式系统的程序实现（2）教学内容①产生式规则(重点②产生式系统(重点)③产生式系统与图搜索(重点)④产生式系统的应用⑤产生式系统的程序实现(难点)6．知识表示（4学时）（1）教学基本要求掌握：知识及其表示灵活运用：框架和语义网络（2）教学内容①知识及其表示(重点)②框架(重点、难点)③语义网络(重点、难点)四、授课方式及考核方法1．授课方式讲授2．考核方法考试形式：闭卷或论文写作课程成绩构成：平时成绩占30％，期末考试成绩占70％。
DX3004模式识别与人工智能--教学大纲
《模式识别与人工智能》课程教学大纲一、课程基本信息课程代码：DX3004课程名称：模式识别与人工智能课程性质：选修课课程类别：专业与专业方向课程适用专业：电气信息类专业总学时： 64 学时总学分： 4 学分先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计后续课程：语音处理技术；数字图像处理课程简介：模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。
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。
模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。
模式识别的原理和方法在医学、军事等众多领域应用十分广泛。
本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。
这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。
选用教材：《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999；参考书目：[1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009；[2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005；[3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010；二、课程总目标本课程为计算机应用技术专业本科生的专业选修课。
通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。
掌握统计模式识别方法中的特征提取和分类决策。
掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。
基本掌握非监督模式识别方法。
了解应用人工神经网络和模糊理论的模式识别方法。
了解模式识别的应用和系统设计。
人工智能-人工智能课程教学大纲 精品
人工智能课程教学大纲【课程性质、目标和要求】人工智能是计算机科学的重要分支，是计算机科学与技术专业本科生的专业限选课之一。
本课程介绍如何用计算机来模拟人类智能，即如何用计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等只有人类才具备的"智能"，使得计算机更好得为人类服务．作为本科生一个学期的课程，重点掌握人工智能的基础知识和基本技能，以及人工智能的一般应用．完成如下教学目标：（1）了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域．（2）较详细地论述知识表示的各种主要方法。
重点掌握状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。
（3）掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等．了解博弈树搜索、遗传算法和模拟退火算法的基本方法．(4) 掌握消解原理、规则演绎系统和产生式系统的技术、了解不确定性推理、非单调推理的概念．（5）概括性地介绍人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等．（6）简介人工智能程序设计的语言和工具．(7) 掌握Visual Prolog编程环境，会使用Prolog语言编写简单的智能程序。
要求学生已修过《数据结构》、《离散数据》和《编译原理》。
【教学时间安排】本课程计 3 学分，理论课时72 ,实验课时28。
学时分配如下表所示：【教学内容要点】教学要求的层次课程的教学要求大体上分为三个层次：了解、理解和认识。
了解即能正确判别有关概念和方法；理解是能正确表达有关概念和方法的含义；认识是在理解的基础上加以灵活应用。
第一章绪论一、学习目的要求1、了解人工智能的定义、起源与发展2、了解人工智能的研究与应用领域3、理解人工智能求解方法的特点二、主要教学内容1、人工智能的定义、起源与发展2、人工智能的研究与应用领域3、人工智能求解方法的特点第二章知识表示方法一、学习目的要求1、认识状态空间法2、理解问题归约法3、认识谓词逻辑法4、认识语义网络法5、认识框架表示6、认识剧本表示7、理解过程表示二、主要教学内容1、状态空间法2、问题归约法3、谓词逻辑法4、语义网络法5、框架表示6、剧本表示7、过程表示第三章搜索原理一、学习目的要求1、认识盲目搜索2、理解启发式搜索3、了解遗传算法4、了解模拟退火法二、主要教学内容1、盲目搜索2、启发式搜索3、遗传算法4、模拟退火法第四章推理技术一、学习目的要求1、理解消解原理2、理解规则演绎系统3、理解产生式系统3、认识不确定性推理4、理解非单调推理二、主要教学内容1、消解原理2、规则演绎系统3、产生式系统4、不确定性推理5、非单调推理第五章机器学习一、学习目的要求1、了解机器学习的定义、研究意义与发展历史2、认识机器学习的主要策略与基本结构3、理解机械学习4、理解基本解释经验的学习5、了解基于事例的学习6、了解基于概念的学习7、了解基于类比的学习8、理解基于神经网络的学习二、主要教学内容1、机器学习的定义、研究意义与发展历史2、机器学习的主要策略与基本结构3、机械学习4、基本解释经验的学习5、基于事例的学习6、基于概念的学习7、基于类比的学习8、基于神经网络的学习第六章规划系统一、学习目的要求1、理解规划的作用与任务2、理解基于谓词逻辑的规划3、了解STRIPS规划系统4、了解分层规划二、主要教学内容1、规划的作用与任务2、基于谓词逻辑的规划3、STRIPS规划系统4、分层规划第七章专家系统一、学习目的要求1、不同模型的专家系统2、理解专家系统3、了解专家系统开发工具4、理解专家系统实例二、主要教学内容1、专家系统2、基于规则的专家系统3、基于框架的专家系统4、基于模型的专家系统5、专家系统开发工具6、专家系统实例第八章自然语言理解一、学习目的要求1、理解语言及其理解的一般问题2、理解句法和语义的自动分析3、了解句子的自动理解4、了解语言的自动生成5、了解文本的自动翻译6、理解自然语言理解系统的主要模型7、理解自然语言理解系统应用举例8、了解语音识别二、主要教学内容1、语言及其理解的一般问题2、句法和语义的自动分析3、句子的自动理解4、语言的自动生成5、文本的自动翻译6、自然语言理解系统的主要模型7、自然语言理解系统应用举例8、语音识别第九章智能控制一、学习目的要求1、了解智能控制的历史沿革2、了解智能控制的研究领域3、理解智能控制的学科结构理论4、了解智能控制系统二、主要教学内容1、智能控制概述2、智能控制的研究领域3、智能控制的学科结构理论4、智能控制系统第十章人工智能程序设计一、学习目的要求1、了解逻辑型编程语言2、综合应用LISP语言3、综合应用PROLOG语言4、了解关系数据库二、主要教学内容1、逻辑型编程语言2、LISP语言3、PROLOG语言4、关系数据库一、（实验1）Visual Prolog 环境的建立与熟悉1、实验目的要求⑴掌握Visual Prolog 安装与卸载。
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
模式识别教学大纲一、课程概述模式识别是一门涉及计算机科学、数学和统计学等多个领域的学科，旨在让学生了解和掌握模式识别的基本概念、原理和应用。
本课程将介绍模式识别的主要方法和技术，并通过实践案例，培养学生的模式识别能力和实践应用能力。
二、教学目标1. 理解模式识别的基本概念和原理；2. 掌握常用的模式识别方法和技术；3. 能够运用模式识别技术解决实际问题；4. 培养学生的团队合作和创新思维能力。
三、教学内容1. 引言和基本概念1.1 模式识别的定义和应用领域1.2 模式识别的相关概念：样本、特征、分类等2. 模式识别方法2.1 统计模式识别2.1.1 贝叶斯决策理论2.1.2 最大似然估计和最大后验概率估计 2.1.3 参数估计和模型选择2.2 数学模式识别2.2.1 线性回归和逻辑回归2.2.2 主成分分析和典型相关分析2.2.3 支持向量机和神经网络2.3 深度学习2.3.1 卷积神经网络2.3.2 循环神经网络2.3.3 长短时记忆网络3. 特征提取与选择3.1 特征抽取方法3.1.1 基于统计的特征提取3.1.2 基于图像处理的特征提取3.1.3 基于频域分析的特征提取3.2 特征选择方法3.2.1 信息增益和卡方检验3.2.2 嵌入式特征选择3.2.3 过滤式特征选择4. 分类与评估4.1 经典分类算法4.1.1 K近邻算法4.1.2 决策树算法4.1.3 朴素贝叶斯算法4.2 模型评估和交叉验证4.2.1 准确率、精确率、召回率和F1值 4.2.2 ROC曲线和AUC值4.2.3 K折交叉验证和留一法5. 实践案例分析5.1 图像识别5.1.1 手写数字识别5.1.2 人脸识别5.2 语音识别5.2.1 声纹识别5.2.2 语音情感识别5.3 生物信息识别5.3.1 DNA序列识别5.3.2 蛋白质结构识别四、教学方法1. 理论讲授：通过教师讲解，介绍模式识别的基本概念、原理和方法。
2. 实践操作：组织学生进行编程实践，实现模式识别算法并应用于案例分析。
人工智能课程教学大纲
人工智能课程教学大纲课程名称：人工智能教学大纲课程目标：本课程旨在帮助学生了解人工智能的基本概念、原理和技术，并培养学生在人工智能领域的批判性思维和问题解决能力。
通过学习本课程，学生将能够理解人工智能的背景、应用和发展趋势，并能够独立设计和实现简单的人工智能系统。
课程内容：1. 人工智能概述- 人工智能的定义与应用领域- 人工智能的历史与发展- 人工智能与机器学习的关系2. 机器学习基础- 监督学习、无监督学习和强化学习的基本概念- 常用机器学习算法及其原理- 机器学习的评估方法和误差分析3. 深度学习- 神经网络的基本原理与结构- 卷积神经网络与循环神经网络的应用- 深度学习的训练与优化方法4. 自然语言处理- 语言的表示与处理方法- 文本分类、语义分析和机器翻译的基本原理- 自然语言生成与对话系统的应用5. 计算机视觉- 图像处理与特征提取- 目标检测、图像分类和图像生成的基本原理- 视觉感知与智能交互的应用6. 人工智能伦理与社会影响- 人工智能的道德与伦理问题- 人工智能在社会中的挑战与机遇- 人工智能的未来发展趋势课程教学方法：本课程采用讲授、案例分析和实践项目结合的教学方法。
通过理论讲解、实例分析和实践操作，帮助学生理解和应用人工智能的基本原理和技术。
学生将完成实践项目，设计和实现一个简单的人工智能系统，并对其性能进行评估和优化。
课程评估方式：- 平时作业和课堂表现：占总成绩的30%- 实践项目报告：占总成绩的40%- 期末考试：占总成绩的30%参考教材：- Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning [M]. MIT Press, 2016.- Sebastian Raschka, Vahid Mirjalili. Python Machine Learning [M]. Packt Publishing, 2017.- Dan Jurafsky, James H. Martin. Speech and Language Processing [M]. Pearson, 2019.备注：该人工智能课程教学大纲仅作参考，实际课程内容和安排可能会根据教师和学校要求进行调整。
《模式识别基础》课程教学大纲
《模式识别基础》课程教学大纲一、课程基本信息课程代码：05110359课程名称：模式识别基础课程英文名称：Pattern Recognition Fundamental课程所属单位：计算机与信息工程系信息管理与信息系统教研室课程面向专业：计算机科学与技术本科课程类型：选修课先修课程：概率统计，计算机图象处理学分：1.5总学时：30（其中理论学时：20实验学时：10）二、课程性质与目的模式识别课程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、存在的问题和开展前景。
主要教学内容是统计模式识别技术，包含：（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。
模式识别中包含大量的方法，这些方法正在推动着不同领域内众多应用的开展。
一般认为模式识别方法最大的实用性在于“智能”仿真，它在我们的日常生活中随处可见。
模式识别包含由特征和属性所描述的对象的数学模型，也涉及到•般意义上对象间的相似性的抽象概念。
具体采用何种数学形式、模型和处理方法取决于所要解决问题的类型。
从这个意义上讲，模式识别其实就是用数学解决实际问题。
三、课程教学内容与要求（一）绪论1教学内容与要求本章主要讨论模式识别的一些基本概念和问题。
要求掌握模式识别和模式的概念，了解一般模式识别系统的组成与功能。
2教学重点（1）绪论（2）模式识别和模式的概念（3）模式识别系统（4）关于模式识别的一些基本问题3教学难点模式识别的系统组成和一些基本问题。
（二）贝叶斯决策理论1、教学内容与要求本章介绍贝叶斯决策理论，是统计模式识别进行分类的一个基本方法。
要求熟练掌握常用的决策规那么及统计决策，理解分类器的错误率问题。
2、教学重点（1）几种常用的决策规那么（2）正态分布时的统计决策（3）关于分类器的错误率问题3、教学难点决策规那么。
模式识别课程试验教学大纲
《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、本实验课在专业人才培养中的地位和作用《模式识别》 课程是电子信息工程专业与自动化专业教学计划中以应用为基础的一门专 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，通过设计性实验的训练，以提高学生设计算法及数值实验的能力，进一步提高分析问 题、解决问题的能力。
三、本实验课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；四、本实验课学生应达到的能力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准则的原理与方法；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％。
- 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)。
《模式识别与人工智能》课程教学大纲
一、课程基本信息
课程代码：DX3004
课程名称：模式识别与人工智能
课程性质：选修课
课程类别：专业与专业方向课程
适用专业：电气信息类专业
总学时： 64 学时
总学分： 4 学分
先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计
后续课程：语音处理技术；数字图像处理
课程简介：
模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。
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。
模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。
模式识别的原理和方法在医学、军事等众多领域应用十分广泛。
本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。
这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。
选用教材：
《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999；
参考书目：
[1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009；
[2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005；
[3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010；
二、课程总目标
本课程为计算机应用技术专业本科生的专业选修课。
通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。
掌握统计模式识别方法中的特征提取和分类决策。
掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。
基本掌握非监督模式识别方法。
了解应用人工神经网络和模糊理论的模式识别方法。
了解模式识别的应用和系统设计。
要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。
三、课程教学内容与基本要求
1、教学内容：
（1）模式识别与人工智能基本知识；
（2）贝叶斯决策理论；
（3）概率密度函数的估计；
（4）线性判别函数；
（5）非线性胖别函数；
（6）近邻法；
（7）特征的选择与提取；
（8）聚类分析；
（9）基于人工神经网络识别方法；
（10）模式识别与人工智能应用实例分析；
2、基本要求：
（1）模式识别与人工智能基本知识：了解人工智能与模式识别的发展历史与现状。
掌握模式识别和模式的概念；模式的描述方法；统计模式识别与结构模式识别；熟悉模式识别系统的组成以及各部分的功能，掌握模式识别的过程。
重点：模式识别的含义，模式的概念；模式识别系统的组成
难点：模式识别利用训练样本设计分类器的原理
（2）贝叶斯决策理论：掌握样本的若干概率的定义；掌握基于最小错误率的贝叶期斯决策，掌握基于最小风险的贝叶斯决策，掌握在限定一类错误率条件下使用另一类错误率为最小的两类别决策。
熟悉最小最大决策，熟悉序贯分类方法，掌握分类器的设计。
掌握正态分布时的统计决策，了解分类器的错误率问题。
重点：最小风险的贝叶斯决策方法；最小错误率的贝叶斯决策方法；正态分布时的统计决策
难点：随机变量分布的各种定义；不同判别规则的对比分析
（3）概率密度函数的估计：掌握参数估计的基本概念；掌握正态分布的监督参数估计；熟悉非监督参数估计中的最大似然估计方法；了解总体分布的非参数估计的基本方法。
重点：参数估计的基本概念；正态分布的监督参数估计
难点：非监督参数估计中的最大似然估计方法
（4）线性判别函数：掌握线性判别函数的基本概念，线性判别函数，设计线性分类器的主要步骤；掌握Fisher线性判别；熟悉感知准则函数的几个基本概念及其梯度下降算法；了解最小错分样本数准则，最小平方误差准则函数；熟悉多类问题的基本概念。
重点：线性判别函数的基本概念；Fisher线性判别
难点：感知准则函数及其梯度下降算法；
（5）非线性判别函数：掌握分段线性判别函数的基本概念；掌握用凹函数的并表示分段线性判别函数；熟悉用交遇区的样本设计分段线性分类器。
重点：分段线性判别函数的基本概念；
难点：用交遇区的样本设计分段线性分类器；
（6）近邻法：掌握近邻法决策规则以及近邻法的错误率分析；熟悉K-近邻法的概念和用法；了解近邻法的快速算法，剪辑近邻法，压缩近邻法。
重点：邻法决策规则以及近邻法的错误率分析；K-近邻法的概念和用法
难点：近邻法的快速算法
（7）特征的选择与提取：掌握并理解特征提取中的基本概念；掌握按欧氏距离度量的特征提取方法，掌握按概率距离判据的特征提取法；熟悉基于散度准则函数的特征提取器，熟悉基于判别熵最小化的特征提取。
理解特征选择的最优搜索算法，次优搜索法；熟悉可分性判据的递推计算。
了解特征选择的几种新方法。
了解基于K-L展开的特征提取。
重点：特征提取中的基本概念；按欧氏距离度量的特征提取方法；按概率距离判据的特征提取法难点：特征选择的最优搜索算法，次优搜索法；基于散度准则函数的特征提取器
（8）聚类分析：掌握非监督学习方法的基本概念；熟悉基于非参数估计的非监督学习方法；掌握典型的聚类方法，熟悉动态聚类方法的基本原理；了解分级聚类方法分析以及使用不同相似度计算方法的影响。
重点：非监督学习方法与监督学习方法概念的区别；动态聚类方法与分级聚类方法的概念
难点：动态聚类方法-迭代修正的概念；分级聚类方法
（9）基于人工神经网络识别方法：掌握人工神经元模型及人工神经元网络定义；掌握多层感知器网
路；熟悉用于非监督学习的人工神经元网络；熟悉Hopfield模型，；了解人工神经网络的发展概况，了解人工神经网络在模式识别中的应用概况。
重点：人工神经元模型及人工神经元网络定义；Hopfield模型
难点：神经网络的非监督学习
（10）模式识别发展趋势与实例分析：了解模式识别技术的发展趋势，熟悉BP神经网络在模式识别中的应用，熟悉Hopfield网络应用方法。
3、学时分配
《模式识别与人工智能》课程总学时：64 其中讲授学时：52 实验(上机)学时：12
建议学时分配表如下：
四、实验教学内容与要求（黑体，5号字）
××××实验内容及要求见实验教学大纲××××××××××××
五、考核方式（黑体，5号字）
（采取的考核方式如：考试、考查、论文等，具体考核方式由课程性质而定；成绩评定如：考试成绩（70%）+出勤考核（10%）+平时作业（20%））
（正文为宋体，小5号字，段前空2格，行距为单倍行距）
执笔人：李善寿
审定人：。