第二章 統計判別
第三章 判別函式
第四章 特徵選擇和提取
第五章 句法模式識別
第六章 統計學習理論基礎
第七章 有監督學習基礎演算法
第八章 支援向量機
第九章 無監督學習與半監督學習
第十章 圖模型基礎
第十一章 整合學習
第十二章 神經網路與深度學習
第十三章 典型應用案例
第一章 緒論
1.1模式和模式識別的概念，，，
1.2 模式識別簡史和應用
1.3 模式識別的方法
1.4模式識別系統
第二章 統計判別
2.1 貝葉斯判別準則
2.2 最小風險判別
2.3 正態分佈模式的貝葉斯分類器
2.4 均值向量和協方差矩陣的引數估計
第三章 判別函式
3.1 線性判別函式
3.2 廣義線性判別函式
3.3 分段線性判別函式
3.4 模式空間和權空間
3.5 感知器演算法
第四章 特徵選擇和提取
4.1 模式類別可分性的測度
4.2 特徵選擇
4.3 離散k-l變換
第五章 句法模式識別
5.1 關係運算
5.2 形式語言基礎
5.3 句法結構的自動機識別
5.4 利用形式語言的圖形識別
5.5 基元提取
5.6 句法分析與文法推斷
第六章 統計學習理論基礎
6.1 統計判別準則
6.2 過擬合與正則化
6.3 偏差方差分解
第七章 有監督學習基礎演算法
7.1 線性回歸與線性分類
7.2 判別式與產生式學習方法
7.3 邏輯回歸與樸素貝葉斯方法
7.4 極大似然與最大後驗方法
第八章 支援向量機
8.1 線性支援向量機
8.2 硬間隔最大化與軟間隔最大化
8.3 對偶與凸化
8.4 核方法
8.5 結構支援向量機
第九章 無監督學習與半監督學習
9.1 聚類
9.2 層次聚類模型
9.3 em演算法
9.4 流形學習
9.5 協同訓練
9.6 基於圖的半監督方法
第十章 圖模型基礎（4）
10.1 條件獨立性
10.2 有向圖與無向圖
10.3 馬爾科夫隨機場
10.4 隱馬爾科夫模型
第十一章 整合學習
11.1 bagging
11.2 boosting
11.3 隨機森林
第十二章 神經網路與深度學習
12.1 人工神經網路基礎
12.2 前饋神經網路
12.3 反饋神經網路
12.4 受限玻爾茲曼機
12.5 自動編碼機
12.6 卷積神經網路
12.7 遞迴神經網路
第十三章 典型應用案例
13.1 人臉檢測與識別
13.2 文字檢測與識別
13.3 影象識別與分類
模式識別與機器學習（2）
參考部落格 隨機梯度下降 clear all x load ex2data ex2x.dat y load ex2data ex2y.dat x 1.15 1.9 3.06 4.66 6.84 7.95 10,14,16 x power x,0.5 y power x,0.5 m length y ...
模式識別與機器學習（4）
講了推理，以及主要收穫為，原來是對損失函式求導。不過公式不是很對，因為 clear x load ex4data ex4x.dat y load ex4data ex4y.dat m,n size x x ones m,1 x figure pos find y neg find y 0 plot ...
模式識別與機器學習（5）
clear x load ex5data ex5linx.dat y load ex5data ex5liny.dat x load linear regression ex2data ex2x.dat y load linear regression ex2data ex2y.dat plot x...