📁 知识点
📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄 📄
第一讲 · 模式识别系统与三大流派
模式识别系统的基本流程、监督与非监督学习，以及三类常见方法
#数学
第二讲 · 贝叶斯决策理论
最小错误率与最小风险两套决策准则、似然比形式、白血病例子与结论反转、0-1 损失下的统一
#数学
第三讲 · 概率密度估计与最大似然估计
两步贝叶斯决策、MLE 五步法、常见分布的 MLE 计算、均匀分布的约束，以及有偏无偏与 N-1 修正
#数学
第四讲 · 支持向量机 SVM
最大间隔、±1 标签、规范化与基本型、拉格朗日对偶、KKT 与支持向量，以及软间隔
#数学
第五讲 · 主成分分析 PCA 与 LDA
从最大方差与最小误差两个视角理解 PCA，掌握协方差特征值分解、计算步骤及与 LDA 的区别
#数学
第六讲 · K 均值聚类
聚类准则、交替优化的 EM 思想、算法步骤、与 GMM 的硬软分配关系、肘部法则；我在文末附上半部分全公式速查
#数学
第七讲 · 深度神经网络：CNN 与 Transformer
从全连接网络的参数困境出发，理解卷积、池化、感受野与权重共享，再走通 RNN、Attention、Self-Attention 和 Transformer
#数学
第八讲 · 图像分类：ViT 与 Swin Transformer
理解像素到语义的鸿沟，掌握 ViT 的 patch 序列、位置编码和分类 token，以及 Swin 的分层结构、窗口注意力与移位窗口
#数学
第九讲 · 图像分割与 SAM
区分语义、实例和全景分割，理解像素级预测的演进，并掌握 SAM 的可提示任务、三组件架构、歧义输出和数据引擎
#数学
第十讲 · 目标检测：R-CNN、Faster R-CNN 与 YOLO
从分类加定位出发，串联候选框、IoU、NMS、R-CNN 四代演进、检测指标，以及 YOLO v1 与 v2 的网格预测
#数学
第十一讲 · 生成对抗网络 GAN
从判别模型与生成模型的区别出发，理解生成器和判别器的极小极大博弈、交替训练、最优判别器与训练不稳定
#数学
第十二讲 · 扩散模型 Diffusion
理解 DDPM 的前向加噪、一步采样公式与反向去噪，掌握噪声调度、UNet 噪声预测以及高质量但采样慢的原因
#数学
第十三讲 · 视觉大模型：对比学习、CLIP 与 PEFT
从无标注数据的对比学习出发，理解 InfoNCE 与 CLIP 图文对齐、zero-shot 分类，再掌握 Prompt Tuning、Adapter 和 LoRA
#数学