2024清華大學深圳國際研究生院電子信息807考研大綱及書目！近期，清華大學深圳國際研究生院公布了其電子信息（人工智能方向）考研大綱，即《807信息技術基礎綜合》考試大綱，詳細內(nèi)容來看高頓考研的整理，供參考！
24清華深圳國際研究生院807考研大綱
　　2024年清華大學深圳國際研究生院《807信息技術基礎綜合》考試大綱！
　　一、考試性質(zhì)
　　《信息技術基礎綜合》是2024年清華大學深圳國際研究生院電子信息專業(yè)【人工智能】方向全國碩士生統(tǒng)一入學考試專業(yè)課考試科目。【人工智能】項目是一個基于自動化、計算機以及電子通信等一級學科基礎上設立的一個多學科交叉工程碩士項目，本專業(yè)課考試科目力求能夠科學、公平、準確、規(guī)范地測評考生在信息技術領域，特別是人工智能相關理論及技術上所具備的基礎知識、核心技能、自主創(chuàng)新等方面的綜合能力，選拔具有較強科研能力、知識技能創(chuàng)新能力和發(fā)展?jié)撡|(zhì)的優(yōu)秀考生入學。
　　二、考試要求
　　測試考生對信息技術領域特別是人工智能方向相關的基本概念、基礎理論與核心技能的掌握和運用能力。
　　三、考試方式與分值
　　滿分150分，題型包括：填空題、是非判斷題、選擇題，名詞解釋，計算題等。
　　四、參考書目
　　《模式識別》張學工編著清華大學出版社，第三版（2010年3月）
　　五、考試內(nèi)容
　　1模式識別基礎
　　1.1模式與模式識別的概念
　　1.2模式識別的主要方法
　　1.3監(jiān)督模式識別與非監(jiān)督模式識別
　　1.4模式識別系統(tǒng)舉例
　　1.5模式識別系統(tǒng)的典型構成
　　2統(tǒng)計決策方法
　　2.1統(tǒng)計決策方法的基本概念
　　2.2最小錯誤率貝葉斯決策
　　2.3最小風險貝葉斯決策
　　2.4兩類錯誤率、Neyman-Pearson決策與ROC曲線
　　2.5正態(tài)分布時的統(tǒng)計決策
　　2.5.1正態(tài)分布及其性質(zhì)回顧
　　2.5.2正態(tài)分布概率模型下的最小錯誤率貝葉斯決策
　　2.6錯誤率的計算
　　2.6.1正態(tài)分布且各類協(xié)方差矩陣相等情況下錯誤率的計算
　　2.6.2高維獨立隨機變量時錯誤率的估計
　　2.7離散概率模型下的統(tǒng)計決策
　　3概率密度函數(shù)估計
　　3.1概率密度函數(shù)的估計的基本概念
　　3.2最大似然估計
　　3.2.1最大似然估計的基本原理
　　3.2.2最大似然估計的求解
　　3.2.3正態(tài)分布下的最大似然估計
　　3.3貝葉斯估計與貝葉斯學習
　　3.3.1貝葉斯估計
　　3.3.2貝葉斯學習
　　3.3.3正態(tài)分布時的貝葉斯估計
　　3.3.4其他分布的情況
　　3.4概率密度估計的非參數(shù)方法
　　3.4.1非參數(shù)估計的基本原理與直方圖方法
　　3.4.2 k近鄰估計方法
　　3.4.3 Parzen窗法
　　4線性分類器
　　4.1線性判別函數(shù)
　　4.2 Fisher線性判別分析
　　4.3感知器
　　4.4最小平方誤差判別
　　4.5最優(yōu)分類超平面與線性支持向量機
　　4.5.1最優(yōu)分類超平面
　　4.5.2大間隔與推廣能力
　　4.5.3線性不可分情況
　　4.6多線性分類器
　　4.6.1多個兩類分類器的組合
　　4.6.2多類線性判別函數(shù)
　　5非線性分類器
　　5.1分段線性判別函數(shù)
　　5.1.1分段線性距離分類器
　　5.1.2一般分段線性判別函數(shù)
　　5.2二次判別函數(shù)
　　5.3多層感知器神經(jīng)網(wǎng)絡
　　5.3.1神經(jīng)元與感知器
　　5.3.2多個感知器組合
　　5.3.3基于反向傳播算法的多層感知器
　　5.4支持向量機
　　5.4.1廣義線性判別函數(shù)
　　5.4.2核函數(shù)變換與支持向量機
　　5.4.3多類支持向量機
　　5.4.4用于函數(shù)擬合的支持向量機
　　5.5核函數(shù)機器
　　5.5.1大間隔機器與核函數(shù)機器
　　5.5.2核Fisher判別
　　6其他分類方法
　　6.1近鄰法
　　6.1.1最近鄰法
　　6.1.2 k-近鄰法
　　6.1.3近鄰法的快速算法
　　6.1.4剪輯近鄰法
　　6.1.5壓縮近鄰法
　　6.2決策樹與隨機森林
　　6.2.1非數(shù)值特征
　　6.2.2決策樹
　　6.2.3過學習與決策樹的剪枝
　　6.2.4隨機森林
　　6.3 Logistic回歸
　　6.4 Boosting方法
　　7特征選擇
　　7.1特征的評價準則
　　7.1.1基于類內(nèi)類間距離的可分性判據(jù)
　　7.1.2基于概率分布的可分性判據(jù)
　　7.1.3基于熵的可分性判據(jù)
　　7.1.4利用統(tǒng)計檢驗作為可分性判據(jù)
　　7.2特征選擇的最優(yōu)算法
　　7.3特征選擇的次優(yōu)算法
　　7.4特征選擇的遺傳算法
　　7.5以分類性能為準則的特征選擇方法
　　8特征提取
　　8.1基于類別可分性判據(jù)的特征提取
　　8.2主成分分析方法
　　8.3 Karhunen-Lo?ve變換
　　8.3.1 K-L變換的基本原理
　　8.3.2用于監(jiān)督模式識別的K-L變換
　　8.4 K-L變換在人臉識別中的應用舉例
　　8.5高維數(shù)據(jù)的低維顯示
　　8.6多維尺度法
　　8.6.1 MDS的基本概念
　　8.6.2古典尺度法
　　8.6.3度量型MDS
　　8.6.4非度量型MDS
　　8.6.5 MDS在模式識別中的引用
　　8.7非線性變換方法簡介
　　8.7.1核主成分分析（KPCA）
　　8.7.2 IsoMap方法和LLE方法
　　9非監(jiān)督模式識別
　　9.1基于模型的方法
　　9.2混合模型的估計
　　9.2.1非監(jiān)督最大似然估計
　　9.2.2正態(tài)分布情況下的非監(jiān)督參數(shù)估計
　　9.3動態(tài)聚類算法
　　9.3.1 C均值算法
　　9.3.2 ISODATA方法
　　9.3.3基于樣本與核的相似性度量的動態(tài)聚類算法
　　9.4模糊聚類算法
　　9.4.1模糊集的基本知識
　　9.4.2模糊C均值算法
　　9.4.3改進的模糊C均值算法
　　9.5分級聚類方法
　　9.6自組織映射神經(jīng)網(wǎng)絡
　　9.6.1 SOM網(wǎng)絡結(jié)構
　　9.6.2 SOM學習算法和自組織特性
　　9.6.3 SOM用于模式識別
　　10模式識別系統(tǒng)的評價
　　10.1監(jiān)督模式識別方法的錯誤率估計
　　10.1.1訓練錯誤率
　　10.1.2測試錯誤率
　　10.1.3交叉驗證
　　10.1.4自舉法與.632估計
　　10.2有限樣本下錯誤率的區(qū)間估計問題
　　10.2.1問題的提出
　　10.2.2用擾動重采樣估計SVM錯誤率的置信區(qū)間
　　10.3特征提取與選擇對分類器性能估計的影響
　　10.4從分類的顯著性推斷特征與類別的關系
　　10.5非監(jiān)督模式識別系統(tǒng)性能的評價。
　　來源于清華大學深圳國際研究院官網(wǎng)
      以上就是高頓考研整理的【2024清華深圳國際研究生院電子信息807考研大綱及參考書！】的全部內(nèi)容！想要了解更多，如招生簡章、考試大綱、招生專業(yè)目錄、參考書目、院校排名和考研常識等，就來高頓考研頻道查詢，內(nèi)有大量你想要的信息，還準備了24級考研學生需要的考研資料，從初試、復試、調(diào)劑階段的書籍、練習冊、試卷、模板都有哦！
　　點擊下方藍色小卡片就能領取哦！