在老师的旁敲侧击之下加快了我对人工智能的学习脚步。

模式识别导言

人工智能==>机器能够到达人的水平
自主完成 感知 决策 行动 。而感知阶段就是最基础的部分。

感觉+认知=感知 ——>模式识别
~什么是模式识别？
答：依据事物的特征进行概念归类

识别的基础是认知
认知（cognition）：获取某种事物的特征==>概念抽象
识别（Re-cognition）：根据特征决定某个具体的事= =>概念归类
模式就是共同特征
os:模式识别就是认识了某些事物后，将事物的概念抽象成特征，将特征分类为后面新的实体再次进行识别和分类。

应用领域

人脸识别 语言识别 自然语言理解 手势识别 脑电识别 目标跟踪…

这个案例太可爱了好好玩！

学习目标&主要内容

一、模式识别系统

1.1基本概念

具体事物=>样本
样本特性=>特征1+特征2+…+特征n=特征空间
相似度：特征空间的点之间的相似程度计算
——————————————————————————————————————————————————

特征空间的表达：1.向量空间（相似度用某种距离来表达）
2.集合空间
——————————————————————————————————————————————————

1.1.1分类器

同一组样本中=>类内相似度
不同样本组中=>类间相似度

1.1.2紧致性转准则：

类内相似度>>类间相似度
增加特征维度可以提高紧致性，增加过多维度会产生维数灾难导致计算量激增。
特征维数越高——>样本集约稀疏——> 紧致性越差——> 分类器分类越差
解决方案：添加特征维度时同时增加样本集&降低维度，提升效能

1.1.3 相似度度量

距离度量：
a)正定性

b)对称性计算部分顺序
c)传递性

非距离：
a)余弦相似度
b)皮尔逊相似度
d)jaccard(X,Y)
os:我用mathType编辑好公式后发现不能粘贴过来，那也没办法咯！

1.1.4分类器的泛化能力&过拟合

泛化能力：指分类器不仅用于样本中的样本分类，也要运用于新的数据分类的能力。
过拟合：过分追求训练集样本中的样本的正确性，导致泛化性降低。

1.1.5模式识别系统组成

如图所示

1.2模式识别算法体系

线性分类器：寻找线性分类决策边界实行特征中的点，根据样本特征取值和分布确定决策规则。
神经网络分类器：对生物神经网络系统的模拟，本质是高度非线性的统计分类器。

cs