国科大-模式识别-非参数概率密度估计与k近邻方法
本课程主要聚焦于统计生成模型中的非参数方法，尤其是基于贝叶斯决策的概率密度估计。与传统的参数方法不同，非参数方法不依赖于特定概率密度函数的形式，而是结合样本数据动态地估计概率密度。课程讨论了两种主要的非参数估计方法：固定窗口估计和k近邻估计。其中，固定窗口估计假设一个恒定的窗口大小，而k近邻估计则在样本数量固定的情况下动态调整窗口大小。此外，课程还涉及到距离度量对分类器性能的优化，并探讨了切线距离和泰勒展开的概念，旨在强调概率密度估计在模式识别和机器学习中的关键作用及其应用。
非参数概率密度估计的重要性
灵活性和应用:
非参数概率密度估计的灵活性使其能适应任意分布，是现代统计分析中的重要工具。它允许根据样本数量动态调整参数，从而适应复杂数据。
与参数方法对比，非参数方法不对密度函数的形式作出假设，而参数方法依赖于特定的函数形式，这给予了非参数方法在复杂数据情况下更强的适应性。
半参数方法如高斯混合模型则结合了两者的优点，通过多个成分来描述复杂分布，适用于聚类和分类任务。
方法与技术
固定窗与k近邻估计:
固定窗口估计假设局部区域的体积不变，适用于处理样本动态变化的情况。k ...
国科大-模式识别-参数估计与EM算法
本节课主要讲解了统计模式识别中的参数估计方法，特别关注最大似然估计和期望最大化（EM）算法。课程复习了概率密度函数的参数估计，并深入探讨了生成模型与判别模型的区别。重点介绍了EM算法在处理缺失数据时的应用，及其通过迭代计算来估计模型参数的效率。此外，课程还涵盖隐马尔可夫模型的基本概念，包括状态转移概率、释放概率和初始概率的估计方法。
参数估计与理论联系
半参数法与EM算法:
深入理解参数估计中的最大似然估计和贝叶斯估计，为学习复杂的半参数法奠定基础。
介绍了生成模型与判别模型的应用场景与理论基础，帮助学生掌握复杂模型与算法。
强调理解公式时，从整体入手，逐步掌握符号的物理意义，帮助学习复杂理论。
理论基础与应用
基础理论的重要性:
掌握最大似然估计和贝叶斯估计的区别：前者提供确定的参数值，后者提供参数的概率分布。
通过理解特征维度对分类错误率的影响，提升贝叶斯决策在高斯分布情况下的分类准确性。
特征选择对分类性能的显著影响：有效特征选择不仅提高精度，还能减少计算量。
特征降维与维度影响
特征降维和马氏距离:
将高维特征空间简化为一维特征空间可保持相同错误率，利用 ...
国科大-模式识别-贝叶斯决策与模式识别应用
本节课讲解了贝叶斯决策的基本概念及其在模式识别中的应用，强调了该理论在统计分类中的重要性。课程开篇介绍了模式识别的基础方法，包括贝叶斯决策、特征表示、监督学习和无监督学习等。同时，深入探讨了贝叶斯决策规则的数学基础，讨论了后验概率的计算及其与特征空间的相互关系，分析了高斯分布的属性及其对决策面的影响。课上强调了贝叶斯分类器的理论最优性，并指出其实际应用中的一些挑战。
模式识别与贝叶斯决策基础
模式识别概念及应用背景:
探讨了模式识别的定义及其主要方法。学生在之前的课程中已对该领域有整体的了解，而贝叶斯决策的引入强化了这一认知。
作为一种使用生成模型的分类方法，贝叶斯决策强调最大后验概率的计算。深入理解后验概率及其在模式分类中的应用是学习的关键。
统计模式识别方法:
课程将统计模式识别方法分为生成模型和判别模型，通过比较参数与非参数方法增强理解，提升分析能力。
计算与决策优化
贝叶斯决策与条件概率:
探讨了已知类别数条件下的模式分类，强调通过输入特征进行判别的必要性，这对开发有效分类器尤其在复杂任务中至关重要。
贝叶斯决策的应用:
以实例演示如何在特征缺 ...
国科大-算法设计与分析-写在后面
daf9e1003c8b639b6138b233a83323399bfd82f19c3ce896991a11483a2af5d86b8a9d8fcc0f1948f0ff6c9aeaa47432bc379a0caad8773707db959abfd252294df48838d9c81facd35b9cabba4c7d41d548d2009932d156119df1488cf7a8e48e2cda36de3b34492fbc24c25384dbd590fdc2fe3c39de166f5990b160c8fe483d3dfaa650614b24364bd46209882f1be37495c64e815666ec857cc85da058841b89788247a5537dc75e5b81b61f8378faa5f09b474f400d24ad981fba0db18d4f4c06cc957937ce0f7482a3b329ba3c6c6034e69eac6cb210e7261ac4c5fa332c62541bad530f1724d05e28cc557760
...
alg. des. -算法设计
daf9e1003c8b639b6138b233a83323390ecd82221112717508616ff4b12708fe2b454ea3dfaab2eb28c0918462c504e87d0e9b8d569196b0c5b0d4cc952d97452420dff03dcc1fcd6c4d290f23dc3f9900a463d3042157739dd384164fb78f30a008af41d710dc1bc739ec11b29b33c55f4be6cc1c188a606a816b156b8f98035fd6615276fe0d91919f5d8be9e0fb28b4f31ce0224a624616af3892b34c7f133f1c20fa3f19811f3ea422c086706906270284cbe946ff438a257d095efc286a277ad9372599e224161d9639929381c05176e21bb80ccdcebcf5ae1282ec28538e46e66d6ad52d0ba7db0f79847cd0e23d279f6f5b3b75e34 ...
2022年度总结
工作：
点云语义分割：将扫描仪重建出来的场景点云进行逐点分类。
输电线场景的参数化建模：利用无人机航拍的点云，恢复出野外地表面的稠密深度图与导线的参数化模型
学习：
TUM-多视图几何
国科大-卜东波-计算机算法设计与分析
📗-算法设计
公开课-李沐-动手学习深度学习
📗-李航-机器学习方法
中科大-计算机图形学(未完成)
GAMES102-几何建模与处理(未完成)
深蓝学院-点云深度学习(弃)
中科大-凌青-凸优化(未完成)
📗-MVG-多视图几何(未完成)
📗-凸优化(未完成)
GAMES102-几何建模与处理-写在后面
刘利刚老师的另一门课，只听了前面几节课，感觉和我想听的有点不一样，有空再看
中科大-计算机图形学
国庆期间看了看：https://www.bilibili.com/video/BV1iT4y1o7oM/ ，中科大的计算机图形学课程是刘利刚老师面向大三的学生开始的，算是一门导论课。当然里面其实还是有很多编程的东西，想要学好图形学，编程首先要过关。
难度不是很大，整体看下来，感觉教的很好。首先是这个课程并不是单单的理论讲授，里面很大部分是编程实现，每节课都会让同学进行展示和demo讲解；其次刘老师在讲课期间，会将各个知识点讲的非常透彻，都是从机理层面去进行讲解，而不是照本宣科，有非常详细的逻辑和公式推导(不愧是数学出生的)；感觉跨度其实挺大的，从微分几何、到动力学、到计算机底层、内存指针再到深度学习都会讲一点。然后老师还会夹杂着讲一些方法论的东西，但不是那种学究式的说教，结合自身经历，站在学生的角度出发进行讲述。整体听下来感觉收获很大。此外刘老师在网站上还有很多他个人写的科技博文，也可以看看http://staff.ustc.edu.cn/~lgliu/
中科大-凸优化-从入门到放弃?
听中科大的同学说他们很多基础课会有很多的数学推导，存在性、准确性、完备性…
跟着凌老师上了前五节课后，算是了解了“凸”的定义，以及一些基础知识，后面的课程专门讲优化，比较硬核，感觉没有太多精力去跟下来…
希望后面自己可以静下心来上完…
CO-凸优化-弃坑
太理论了,如果是学生时代我大概会很有兴趣