模式识别与机器学习 第一章 绪论

引言

课程介绍

1956年夏天达特茅斯会议标志着人工智能学科的诞生 人工智能之父 约翰·麦卡锡

基础：线性代数、概率统计、最优化理论

交叉课程：图像处理、计算机视觉、数据挖掘、自然语言处理、多媒体技术

参考书目：《机器学习》西瓜书《统计学习方法》李航《深度学习》《模式分类》

参考期刊：TPAMI、ICML、ICLR、NeurIPS、CVPR、ICCV   & Arxiv网站 Valse研讨会

授课内容：

模式识别与机器学习基本概念

典型的模式识别特征描述子（cv）

传统机器学习算法：监督学习、线性回归、逻辑斯蒂回归Boosting，K-Means，Naive Bayes，支持向量机

神经网络与深度学习，稀疏表示与低秩矩阵

模式识别与机器学习前沿：迁移学习，对抗学习

模式识别：

定义：通过计算机用数学技术方法来研究模式的自动处理和判读。特别是光学信息和声学信息

以汉字为例：对汉字进行处理，抽取主要特征并将特征与汉字的代码存储在计算机中。

识别就是将输入与计算机中所有字比较 “训练、匹配”

机器学习：

设计与分析一些让计算机可以自动“学习”的算法，利用经验改善系统自身性能

机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。

常用领域：计算机视觉、自然语言处理、生物特征识别etc

模式识别=机器学习（没有定论），前者主要从工业界发展起来，后者源于计算机科学。

 机器学习是从人工智能产生的一个重要学科分支，是实现智能化的关键

典型机器学习过程：

大数据时代，机器学习必不可少。收集、传输、存储大数据然后利用。若没有机器学习分析大数据，利用便无法做到。

数据转变为信息的三大关键技术：机器学习、云计算、众包

基本术语：

监督学习：分类回归

无监督学习：聚类、密度估计

强化学习：基于环境而行动，以取得最大化预期利益

数据集：记录的组合

训练，学习：从数据