[修讀原因]

這堂課已經可以說是 Data Scientist/Engineer 的專門科目了, 有點說身為一個工程師必修的數學是 Enineering Mathmatics (工程數學), 身為一個 Big Data 的 Data Enineer, 就一定要學習這堂 Mathmatical Model /Pattern Recognition.

這邊的 Mathmatical Model 指的是用數學去判斷一個模型的可能性, 進而去識別其模式與模型, 找到可能的信號做為決策的判斷, 這的確就是大數據在做的事.

這部份幾乎沒有中文書, 事實上說不定是大陸在這邊發展的較完整, 他們稱為 "系統辨識" 或 "模式識別", 而這們數學課, 幾乎就是前面所說的幾個數學的總合, 大概是:

• 判別函數
• 傳遞函數 （Transfer Function)
• 貝斯決策理論
• 參數估計與非參數估計
• 分類器
• 群聚分析
• 語意分析
• Fuzzy
• 特徵值與降冪
• 類神經網路
• SVM (Support Vector Machine)
• 時間序列
• 多變量
• 非線性系統辨識
• ......

這些不是大部份都講過, 或者是在被包含在前面數學課的基礎要學的不是嗎?

[基本資訊]

• 課程題目: Mathmatical Model / Pattern Recognition
• 大學學程: 統計等研究所
• 困難度: ＊＊＊＊
• 必要度: ＊＊＊＊
• 所須時間: ＊＊＊
• 建議書籍: Pattern Recognition and Machine Learning

[基本介紹]

在數學模型中, 可以做幾種屬性的分類:

• Linear vs. nonlinear
• Static vs. dynamic
• Explicit vs. implicit
• Discrete vs. continuous
• Deterministic vs. probabilistic (stochastic)
• Deductive, inductive, or floating

這些分類與判斷會決定我們使用的方法工具與演算法:

• Classification algorithms (supervised algorithms predicting categorical labels)
• Clustering algorithms (unsupervised algorithms predicting categorical labels)
• Ensemble learning algorithms (supervised meta-algorithms for combining multiple learning algorithms together)
• General algorithms for predicting arbitrarily-structured (sets of) labels
• Multilinear subspace learning algorithms (predicting labels of multidimensional data using tensor representations)
• Real-valued sequence labeling algorithms (predicting sequences of real-valued labels)
• Regression algorithms (predicting real-valued labels)
• Sequence labeling algorithms (predicting sequences of categorical labels)

[修習方式]

開放課程:

• http://ocw.mit.edu/courses/media-arts-and-sciences/mas-622j-pattern-recognition-and-analysis-fall-2006/

電子書:

• http://www.it-ebooks.info/book/1675/
• http://link.springer.com/book/10.1007%2F978-1-4614-5323-9

關鍵字:

• Agent-based model
• Conceptual model
• Computer simulation
• Decision engineering
• Microscale and macroscale models
• Statistical Model
• Deep Learning
• Multilinear subspace learning
• Neocognitron
• Perception
• Perceptual learning
• Predictive analytics
• Prior knowledge for pattern recognition
• Sequence mining
• Template matching
• Contextual image classification