《模式识别》教学大纲（本科）.docx

模式识别一、课程简介模式识别包含了模式识别与数据挖掘两门课程。模式识别与数据挖掘研究的内容是使机器能 做以前只能由人类才能做的事，具备人所具有的、对各种事物与现象进行分析、描述与判断、并 在大型数据库中发现模式的能力。模式识别与数据挖掘是在统计分析、语言学、计算机科学、生 物学、控制论、优化算法等技术的基础上发现潜在有价值的模式，解决生物医学基础科研中的实 际问题。通过本课程的学习，使学生了解和掌握模式识别与数据挖掘的基础理论、基本知识，掌握模 式识别与数据挖掘的常用技术和方法，掌握以计算机为工具对生物数据进行储存、检索和分析的 科学、有效地进行数据的采集、整理、检索、分析，从中提取有价值的模式，同时培养学生应用 所学知识解决生物学问题的能力，为学生在未来工作中合理使用模式识别与数据挖掘方法打下坚实 的理论基础。二、理论教学内容1 .模式识别总论了解内容：模式识别和模式的概念；模式识别系统。2 .贝叶斯决策理论掌握内容：贝叶斯决策理论基本概念；常用的决策规那么，包括：最小错误率贝叶斯决策，基 于最小风险的贝叶斯决策，朴素贝叶斯分类器；正态分布时的统计决策；关于分类时的统计决策；判 别函数和决策面；贝叶斯决策方法生物学应用。了解内容：正态分布概率密度的定义和性质；决策规那么的不同形式；决策的错误率；最小风 险决策的一般性；多元正态概率模型下的最小错误率贝叶斯决策；贝叶斯决策应用。了解内容：最大似然估计，多元正态分布参数最大似然估计。3 .线性分类器掌握内容：Fisher线性判别；感知准那么函数；最小错分样本数准那么；多类问题。了解内容：最小平方误差准那么函数；随机最小错误率线性判别准那么函数。4 .非线性分类器掌握内容：分段线性判别函数、多层感知器神经网络、支持向量机。5 .其他分类器了解内容：最近邻法；k-近邻法。6 .决策树分类算法掌握内容：决策树归纳；决策树的工作原理；决策树归纳算法；评估分类器的性能；比拟分 类器的方法；不平衡类问题；决策树生物学应用。了解内容：模型的过分拟合；组合方法；随机森林；随机森林生物学应用。7 .聚类分析及应用掌握内容：数据、簇和聚类算法的特性；基于原型的聚类；基于密度的聚类；基于图的聚类、 聚类应用。了解内容：可伸缩的聚类算法。8 .关联分析及应用掌握内容：频繁项集的产生；规那么产生；频繁项集的紧凑表示；处理分类属性连续属性；序 列模式；子图模式；挖掘多物种通路频繁模式；文本挖掘。了解内容：产生频繁项集的其他方法；FP增长算法；关联模式的评估；倾斜支持度分布的 影响；非频繁模式。70三、实验教学内容1 .基于Fisher准那么的线性分类器设计基本内容：本实验旨在让同学进一步了解分类器的设计概念，能够根据自己的设计对线性分类器 有更深刻地认识，理解Fisher准那么方法确定最正确线性分界面方法的原理。完成Fisher线性分类器的设 计。利用试验数据集合训练两个具体的Fisher分类器，一个利用二维数据（即前两列属性）构建分 类器，另一个利用三维数据构建分类器。分析W的比例因子对于Fisher判别函数没有影响的原因。基本要求：了解分类器的设计概念；能够自己的设计对线性分类器，理解Fisher准那么方法确 定最正确线性分界面方法的原理。2 .利用模式识别软件进行分类器设计基本内容：安装模式识别软件（WEKA）,对软件数据格式、数据准备、分类局部进行学习，并 根据实例操作，了解weka的主要功能；选择朴素贝叶斯分类方法，进行分类器的整体设计和检验。基本要求：掌握weka的分类模块中分类方法，例如：贝叶斯方法，Fisher方法；熟悉交叉验 证方法；特征选择方法。3 .决策树归纳设计基本内容：实现决策树归纳算法；评估分类器的性能；ROC曲线的绘制，生物数据的应用。基本要求：掌握决策树的工作原理；熟悉评估分类器的性能的方法。4 .聚类分析基本内容：利用k均值和层次聚类分析结肠癌基因表达谱数据，对样本和基因进行聚类，分 析聚类的结果；结合生物学背景，解释结果的生物学含义；利用SNN测度在基因共表达网络中挖 掘模块。基本要求：掌握层次聚类方法，层次聚类图的分析；实现K-均值聚类方法，网络模块的挖掘。四、参考资料模式识别第三版.张学工主编.清华大学出版社，2010年8月出版数据挖掘导论第二版.斯坦巴赫（著）范明范宏建（译）.人民邮电出版社.2011年4月 出版数据挖掘原理与算法.（第3版）.毛国君段立娟.清华大学出版社.2016年南京大学-模式识别课程（）中国科学技术大学-模式识别课程（ :/识别中国大学MOOC（ 5%88%AB#/）模式识别.哈尔滨工程大学.中国大学MOOC）71五、学时分配序号教学内容参考学时总学时理论学时实验学时1模式识别总论2202统计决策方法（最小错误率贝叶斯决策，最小风险贝叶斯决策，正 态分布统计决策）8803概率密度函数的估计（最大似然估计，贝叶斯估计，贝叶斯估计，非参数 方法）6424线性分类器（基本概念，fisher线性判别分析，感知器，最小平 方误差判别，多类线性分类器）10645非线性分类器（分段线性判别函数，基于距离的分段线性判别函 数）8626其他分类方法（最近邻法、k-近邻法）6427特征的选择与提取类别可别离性判据最优特征选择方法（穷举法、分制定界法）次优特征选择方法（单独最优特征组合法、前进法、后退法、增L减R 法、爬山法）181628决策树分类器8629分类算法的评估44010聚类分析及应用（K-均值聚类，层次聚类，DBSCAN算法）862合计72561672