我们不生产知识点，我们只是知识点的搬运工。
以下，全部来自老师最后一节课划重点时停留的当页ppt（复习到了但没考不要怪我，学了总有用；考了没复习到不要怪我，本文仅供参考）。
① 第一章 模式识别绪论
- 模式识别系统组成
- 设计系统时根据临界点进行考察，临界点多则不可分
- 模式识别系统设计过程
② 第二章 贝叶斯决策理论
- 基于最小错误率的贝叶斯决策
用哪个都行，会出计算
- 基于最小风险的贝叶斯决策
也可能出计算
- 0-1风险时，最小错误率与最小风险等价
会出证明。
- 贝叶斯分类器的决策面方程
也就是53、54页的两个例题看一下吧。
③ 第三章 概率密度函数估计
- 参数估计的分类
没错，参数估计里有一类叫非参数估计。
- 似然函数
- 最大似然估计的概念
不知道咋考，看一下稍微理解一下吧，在15页，之前几页也看看
- 梯度法不能使用最大似然估计
没太看懂，他大概想求两个参数θ取什么值能l最大吧，也就是分别求偏导想让偏导为零，但取不到零所以没法用最大似然估计。
- 非参数估计要满足的条件
- Parzen窗法，当样本n趋近无穷时，概率密度估计结果与窗的宽度h无关。
④ 第四章 线性判别函数（I）
- w与决策面H上任意向量正交
应该会出题
- g(x)正比于任一向量x到超平面H的代数距离r
会出证明
- 线性分类器设计步骤
- 增广样本向量
- 决策树实际上是一个多层分类器
⑤ 第四章 线性判别函数（II）
- 分段线性分类器的判别函数g(x)是什么
- 局部训练法的方法步骤
⑥ 第五章 特征的选取与提取
- 特征形成、特征选择、特征提取
别问是啥，问就是背。
- 可分性准则函数与错误率
- 基于概率分布的可分性判据
- 熵的大小与可不可分
- 几种非最优搜索法
- 特征选择的两种新方法
遗传算法的特殊之处在于：具有交叉运算。
- 物理退火的三个过程
- 基本遗传算法的组成
- 交叉
- 变异
剩余部分请在下一篇文章中查看。
