第一章 模式识别基本概念
预习部分
首先了解了这门课涉及到了高等数学、线性代数、概率论等数学知识，所以我有稍微去粗略的回顾了一下这几门课的知识点。
复习部分
模式识别的应用领域有：字符识别（计算机视觉领域）、交通及标志识别（计算机视觉领域）、动作识别（计算机视觉领域）、语音识别（人机交互领域）、模式识别（医学领域）、应用程序识别（网络领域）、模式识别（金融领域）、股票价格预测（金融领域）、目标抓取（机器人领域）、无人驾驶（无人车领域）等。
模式识别分为“分类”和“回归”两种形式。模式是被本质上也是一种推理过程。
模型是一种关于已有知识的表达方式，即函数，它的组成：特征提取+回归器（狭义），特征提取+回归器+判别函数（广义）。分类器：回归器+判别函数。
特征向量：多个特征构成的列向量。
每个特征向量代表一个模式，度量特征向量两两之间的相关性是识别模式之间是否相似的基础。
点积可以表征两个特征向量的共线性，即方向的相似程度。点积为0则说明两个向量正交。两向量的夹角表示两个向量在方向上的差异性。
模型结构决定了模型有哪些参数。
线性模型适用于数据线性可分/线性表达的数据。非线性模型适用于数据线性不可分/线性不可表达的数据。（多项式、神经网络、决策树等）
N=M：参数有唯一解；N>>M：无准确解；N<<M：无数个解/无解。
机器学习方式：监督式学习（训练样本及输出真值给定）、无监督式学习（只给定训练样本，没给定输出真值）、半监督式学习、强化学习。
泛化能力：学习算法对新模式的决策能力。
过拟合：泛化能力差的表现（训练阶段表现很好，测试阶段表现很差）。
提高泛化能力的思路：不要过度训练。
1.选择复杂度适合的模型。
2.在目标函数中加入正则项。（正则化）
评估方法：留出法、K折交叉验证、留一验证。
性能指标：
1.二类分类：真阳性（TP）、假阳性（FP）、真阴性（TN）、假阴性（FN）。
2.多类分类：依次以单个类作为正类，其余为负类。
准确性、精度、召回率。
PR曲线：横轴为召回率，纵轴为精度。曲线越往上凸，则性能越好。对各类别之间样本分布比例敏感。
ROC曲线：横轴为FPR，纵轴为TPR。曲线越往左上凸，则性能越好。对各类别之间样本分布比例不敏感。
曲线下方面积AUC=1：完美分类器；0.5<AUC<1:优于随机猜测；AUC=0.5：跟随机猜测一样；AUC<0.5：比随机猜测差。
第二章 基于距离的分类器
预习部分
我提前了解了这一章是基本是关于分类器的，所以就先去了解了一下哪几种常见的分类器的概念及应用。
复习部分
（以下我是把分类器都放到了一起总结的）
MED分类器是基于欧式距离的分类器
欧式距离 d(x1,x2)=(x2−x1)T∗(x2−x1)。
判别方法： (x−μ1)T(x−μ1)<(x−μ2)T(x−μ2)?C1类:C2类。
受特征的量纲、分布不同的影响，易导致分类错误，一般不直接用欧式距离进行分类
MICD分类器是基于马氏距离的分类器
马氏距离 d(x1,x2)=(x2−x1)TΣ−1x(x2−x1)
判别方法：(x−μ1)TΣ−1x(x−μ1)<(x−μ2)TΣ−1x(x−μ2)?C1类：C2类
针对欧式距离出现的问题，对特征进行解耦与白化，转化后的点间距离为马氏距离
消除了特征间的相关性并使特征具有相同方差，从而使其不受量纲和分布的影响，提高分类准确度
但在距离相等时，倾向于归于方差较大的类
特征白化：将原始特征映射到一个新的空间，是的新空间中特征的协方差矩阵为单位矩阵，从而去除特征变化的不同及特征之间的相关性。
特征转换：先解耦再白化。
MAP分类器是基于后验概率的分类器
后验概率 p(Ci|x)=p(x|Ci)p(Ci)p(x)
判别方法：p(x|C1)p(C1)>p(x|C2)p(C2)?C1类：C2类
选择后验概率最大的类作为判别结果，即最小化概率误差
贝叶斯分类器基于MAP分类器
判别方法：R(αi|x)<R(αj|x)?Ci类:Cj类
KNN分类器是基于MAP分类器，但假设观测似然概率基于KNN估计
由KNN估计，p(x|Ci)=kiNiV,p(x)=kNV
又p(Ci)=NiN。故p(Ci|x)=p(x|Ci)p(Ci)/p(x)=kik
对于测试样本x，我们找到与其距离最近的k个样本，其中哪个类别的样本最多，就将x归于那一类。即选择最大的ki,使得后验概率最大。
第三章 贝叶斯决策和学习
预习部分
这章主要是讲贝叶斯决策，所以我就事先先在网上查阅了一些关于贝叶斯的相关知识，再加上上学期的人工智能有稍微讲到贝叶斯，所以我对贝叶斯就有了一个初步的认识了。
复习部分
（分类器我在第二章有讲到，所以这里关于分类器的东西都不讲了）
单维高斯分布：
高斯观测概率
所以MAP分类器可以解决MICD分类器存在的问题：方差不同时，MAP分类器倾向于方差小的类。
MAP、MICD、MED分类器的比较：
决策风险：
贝叶斯分类器的决策目标：最小化期望损失
朴素贝叶斯分类器：
拒绝选项：
监督式学习方法：1.参数化方法。（最大似然估计、贝叶斯估计）2.非参数化方法。
无偏估计：一个参数的估计量的数学期望是该参数的真值。意味着只要训练样本个数足够多，该估计值就是参数的真实值。
均值的最大似然估计是无偏估计。
协方差的最大似然估计是有偏估计。
贝叶斯估计：给定参数分布的先验概率以及训练样本，估计参数分布的后验概率。
无参数技术：K近邻法、直方图技术、核密度估计。
直方图估计的优缺点：
核密度估计的优缺点：
第四章 线性判据与回归
预习部分
事先看了一下这章的大概内容，了解了梯度下降法，而且对这种方法很感兴趣，觉得他就很像高数中用导数求函数的最值一样，一般用导数算出来的都是极值，但极值也不一定是最值，这就跟梯度下降法的局部最优跟全局最优一样。
复习部分
生成模型的优劣势：
判别模型的优势：
线性判据优势：计算量少，适用于训练样本少的情况
寻找最优解：1.设计目标函数。2.加入约束条件。
并行感知机的思想：被错误分类的样本最少。
梯度下降法：使用当前梯度值迭代更新参数。通常加入步长来调整更新的幅度。
串行感知机的思想：当前样本被错误分类的程度最小。
步长决定收敛速度、以及是否收敛到局部或者全局最优点。
提高感知机的泛化能力：加入Margin约束
Fisher线性判据：
支持向量机（SVM）的目标：最大化总间隔。
支持向量机的目标函数是一个条件优化问题。常用拉格朗日乘数法。
学习心得
学习心得就是累。太难了，公式好多好复杂啊，而且有的推导过程也看不懂。