模式识别入门学习

     近期，公司的事情略少，于是乎开始钻研一下已经火了很久的模式识别，话说，每次公司的seminar都会提到深度学习啊，分类啊，我都像丈二的和尚，摸不着头脑。趁有时间，得补一补。

    我应该先百度或谷歌一下，哪些入门材料，然后开始学习，blabla。。。

    然并卵，我天性懒惰，不爱看一大堆一大堆的文字，既不生动，又显得十分枯燥。于是乎，我开始看ppt，图文并茂，重点的知识又列出来了。一个下午能刷几十页，成就感都油然而生。我就是这样，一直活在自欺自乐的世界里的。

   好吧，言归正传，接下来我会从这个ppt入手，ppt不懂的再查找资料。每天记录一下当天的学习，希望哪天我真用的是的时候，能够捡的快。

 http://wenku.baidu.com/link?url=MGIZmajpFKVUyJx-8BAmpvfqRG5WB2Bgw8XyePjBmGOtaEMZgKVDI11OL42jg9P1r1akvT7gv_43AXCTKwFkA5f2EXfMJ4IcPBLYhNDnVr7

貌似是清华大学的模式识别课程，没准还可以找到其他相关的信息呢！

嘿嘿，果然找到了，相关课程的视频，还有参考书目网上有哦！

http://www.icourses.cn/coursestatic/course_4366.html

参考书：《现代模式识别》

http://vdisk.weibo.com/s/aOL2uYMILo_qV

p42页这块，好长的公式啊，我一看到长串的公式心里就畏难。那么，这一块的内容，我先给它的提纲抽出来，然后逐个概念理解，发现也没有那么难。

Update by 2016.5.12

接下来我们来到第二章，聚类分析

正所谓人以类聚，物以群分，相同的人，因为他们有共同的特点，很容易聚在一起，聚类分析的目的，就是将相似的归为一类。

聚类过程的基本步骤如下：

特征选择，字面意思还比较好理解，而且不一样的分类任务，特征选取也有不一样的讲究，所以ppt没有专门讲这个点了。接下来时讲到模式相似性的测度。

模式相似性测度用于描述各模式之间特征的相似性程度。

主要分：

1.距离测度

两个矢量矢端的距离，常用的有

感觉马氏距离好像挺重要，又挺云里雾里的~

ppt中介绍了一个例子：

这个例子说明了，马氏距离比欧式距离更有效！

2.相似测度

3.匹配测度

update by 5.12

聚类的算法

分简单的聚类算法和动态聚类算法，简单聚类算法，由于聚类中心一旦确定，往往就不能改动，因此不容易得到较好的聚类效果，所以常用的聚类算法，多为动态聚类算法。

重点是C均值聚类和C均值聚类之改进

1）C均值聚类

上实例：

聚类中心不再改变，计算结束。

这个就是C均值聚类的流程，当模式分布呈现内内团聚状，C-均值算法是能达到很好的聚类结果，故应用较多。从算法的迭代过程看，C-均值算法是能使各模式到其所判属的类别中心距离（平方）之和最小的最佳聚类。

因为这个聚类中心的初始化是随机的嘛，所以，我想这个上面应该是有优化空间的。