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
周志华 著.机器学习,北京:清华大学出版社,2016.
Richard O. Duda, Peter E. Hart and David G. Stork, Pattern Classification (2nd Ed.), 1997.
Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2009
Jake VanderPlas, Python Data Science Handbook, 2016.
Raschka, Sebastian. Python machine learning. Birmingham, UK: Packt Publishing, 2015.
ConVetJS: https://cs.stanford.edu/people/karpathy/convnetjs/
神经网络: https://cs.stanford.edu/people/karpathy/convnetjs/demo/classify2d.html
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
助教
徐朋磊 201921051188@mail.bnu.edu.cn
QQ交流群 642765002