Suponiendo que Pattern Recognition sea un curso de posgrado en CS, uno debe estar familiarizado con la probabilidad básica y las estadísticas, así como con algo de álgebra lineal.
Prob & Stats – Conocimientos básicos de distribuciones, pdf, pmf, cdf, especialmente el gaussiano, momentos, covarianzas, expectativa, variables aleatorias, muestreo – sesgado / imparcial. Alguna idea de distribuciones bivariadas. La regla de Bayes y la probabilidad condicional deben ser temas muy familiares, ya que estos son la carne y la papa de la mayoría de los enfoques de reconocimiento de patrones o aprendizaje automático. Regresión lineal. Prueba de hipótesis (bueno saber).
Una versión bastante interesante de la probabilidad puede ser el libro electrónico http://www.dartmouth.edu/~chance…
- Cómo calcular la ganancia de información para cada atributo si estoy diseñando un árbol clasificador de decisiones con nodos binarios en cada derrame
- ¿Se puede utilizar el aprendizaje no supervisado en el reconocimiento de imágenes?
- ¿Qué debo hacer si determino que los resultados de mi conjunto de datos de entrenamiento difieren mucho de los resultados de mi conjunto de datos de prueba?
- ¿Cuál es el mejor enfoque híbrido para construir un sistema de recomendación para datos de música?
- Cómo dibujar un múltiple de un autoencoder variacional en Keras
Si desea un tratamiento más a nivel de posgrado, utilizando Measure Theory, esta serie de un profesor en IIT Madras es realmente buena: http://nptel.ac.in/courses/10810…
Álgebra lineal – matrices, espacios vectoriales – tramo, base, etc., conocimiento exhaustivo de valores propios y vectores propios. Productos internos y externos. Normas Un buen punto de partida sería trabajar a través de las videoconferencias de Álgebra Lineal de Gilbert Strang hasta la Lect # 22. 18.06 Primavera 2016
Los temas anteriores están adecuadamente cubiertos en un curso de ingeniería de pregrado. El resto seguramente se impartirá en un curso de reconocimiento de patrones.
Un libro estándar que también cubre (muy brevemente) las estadísticas necesarias y los antecedentes de probabilidad es el Reconocimiento de patrones y el aprendizaje automático de Christopher M Bishop.
