1.1 课程介绍

1.1.1 课程内容

本课程是《遥感图像模式识别》这门课的实验课，是对于理论课程的补充。“模式识别”的部分本身比较复杂抽象，涉及的内容多。其中的某些方法甚至是经验性的结论，不容易得到完美的理论结果，所以这门实验课也是主要是偏向实践操作的，注重实际方法的运用与理解。课程的目标是，在学期结束的时候，可以实际独立运用适当的方法，如支持向量机、随机森林、神经网络，进行模式分类的整个流程。通过一系列的技术手段，得到一个满意的分类结果。实际的课程当中，会适当地补充一些理论推导。

课程将使用模式识别的一系列经典算法，针对遥感图像数据，运用线性代数、概率论等知识对图像数据进行分类操作实践。这里的实践操作主要指的是：对数据的预处理、直观理解和观察，还有模型方法的综合运用。其中会涉及到编程方面的问题，但是不会特别复杂，都是已经成型的机器学习系统，所以不需要过多的代码。但是还会有少量的代码，会尽量把代码封装成可调用的形式，供大家调整参数，然后学习使用。

1.1.2 主要参考资料

  1. 周志华 著.机器学习,北京:清华大学出版社,2016.

  2. Richard O. Duda, Peter E. Hart and David G. Stork, Pattern Classification (2nd Ed.), 1997.

  3. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2009

  4. Jake VanderPlas, Python Data Science Handbook, 2016.

  5. Raschka, Sebastian. Python machine learning. Birmingham, UK: Packt Publishing, 2015.

  6. https://developers.google.cn/machine-learning/crash-course/

  7. ConVetJS: https://cs.stanford.edu/people/karpathy/convnetjs/

  8. 神经网络: https://cs.stanford.edu/people/karpathy/convnetjs/demo/classify2d.html

  9. SVM: https://cs.stanford.edu/~karpathy/svmjs/demo/

  10. 随机森林: https://cs.stanford.edu/~karpathy/svmjs/demo/demoforest.html

1.1.3 答疑与联系方式

任课教师

唐 宏 tanghong@bnu.edu.cn

杨乃森 yns@email.sdu.edu.cn

助教

徐朋磊 201921051188@mail.bnu.edu.cn

胡一江 huyijiang@mail.bnu.edu.cn

石浩泽 haoze.shi@icloud.com

刘泽平 liuzeping@mail.bnu.edu.cn

吕思清 lyusiqing@mail.bnu.edu.cn

QQ交流群 642765002