📁 模式识别与机器视觉
BUAA《模式识别与机器视觉》课程复习 · 上半部分（模式识别）考点梳理
《模式识别与机器视觉》课程的复习笔记，面向考试。本课分上下两半：上半部分是模式识别（贝叶斯决策、参数估计、SVM、PCA、聚类），下半部分是机器视觉。
这里的内容贴着课件脉络和考点组织，保留「考点清单」「易错点」这类应试视角；如果想看脱离课程、按知识体系沉淀的版本，去 Tech Stack 的 ML Fundamentals。
下面是已整理的复习笔记（上半部分）。
📄 📄 📄 📄 📄 📄 📄
考前速成必会清单
考前最后一晚必背：推不出来、做题却要用的硬结论、固定阈值、易错方向与套路口诀
#模式识别
#考前速成
模式识别系统与三大流派
模式识别系统的流水线、监督与非监督的区分、三大方法流派——全课的总览地图
#模式识别
#机器视觉
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
#模式识别
#贝叶斯决策
概率密度估计与最大似然估计
两步贝叶斯决策、MLE 五步法、各分布的 MLE 计算、均匀分布陷阱题、有偏无偏与 N-1 修正
#模式识别
#最大似然估计
支持向量机 SVM
最大间隔、±1 标签的两个红利、规范化与基本型、拉格朗日对偶、KKT 与支持向量、软间隔与答题主线
#模式识别
#SVM
主成分分析 PCA（含 LDA 对比）
最大方差与最小误差两个视角殊途同归、协方差特征值分解、计算步骤与数值例、PCA 与 LDA 的本质区别
#模式识别
#PCA
K 均值聚类（附全章公式速查表）
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；文末附上半部分全公式速查
#模式识别
#K均值