Table of contents 课程概况 第一章 概述 1.1 概述 第二章 生成式分类器 2.1 模式识别与机器学习的目标 2.2 正态分布模式的贝叶斯分类器 2.3 均值向量和协方差矩阵的参数估计 附 第二章作业 第三章 判别式分类器 3.1 判别式分类器与生成式分类器 3.2 线性判别函数 3.3 广义线性判别函数 3.4 Fisher线性判别 3.5 感知器算法 3.6 可训练的确定性分类器的迭代算法 3.7 势函数法 3.8 决策树 附 第三章作业 第四章 特征选择和提取 4.1 模式类别可分性的测度 4.2 特征选择 4.3 离散K-L变换 附 第四章作业 第五章 统计机器学习 5.1 机器学习简介 5.2 统计机器学习 第六章 有监督学习 6.1 有监督学习 6.2 回归任务 6.3 分类问题 附 第六章作业 第七章 支持向量机 7.1 线性支持向量机 7.2 核支持向量机 7.3 序列最小优化算法 附 第七章作业 第八章 聚类 8.1 基本概念 8.2 经典聚类算法 附 第八章作业 第九章 降维 9.1 基本概念 9.2 维度选择 9.3 维度抽取 第十章 半监督学习 10.1 基本概念 10.2 半监督学习算法 第十一章 概率图模型 11.1 PGM简介 11.2 有向图模型（贝叶斯网络） 11.3 无向图模型（马尔科夫随机场） 11.4 学习和推断 11.5 典型概率图模型 附 第十一章作业 第十二章 集成学习 12.1 简介 12.2 Bagging 12.3 Boosting 附 第十二章作业