807 信息技术基础综合考试大纲一、考试性质《信息技术基础综合》是 2022 年清华大学深圳国际研究生院电子信息专业【人工智能】方向全国硕士生统一入学考试专业课考试科目。【人工智能】项目是一个基于自动化、计算机以及电子通信等一级学科基础上设立的一个多学科交叉工程硕士项目，本专业课考试科目力求能够科学、公平、准确、规范地测评考生在信息技术领域，特别是人工智能相关理论及技术上所具备的基础知识、核心技能、自主创新等方面的综合能力，选拔具有较强科研能力、知识技能创新能力 和发展潜质的优秀考生入学。二、考试要求测试考生对信息技术领域特别是人工智能方向相关的基本概念、基础理论与 核心技能的掌握和运用能力。三、考试方式与分值满分 150 分，题型包括：填空题、是非判断题、选择题，名词解释，计算题等。四、参考书目：《模式识别》 张学工编著 清华大学出版社，第三版（2010 年 3 月）五、考试内容1 模式识别基础1.1 模式与模式识别的概念1.2 模式识别的主要方法1.3 监督模式识别与非监督模式识别1.4 模式识别系统举例1.5 模式识别系统的典型构成2 统计决策方法2.1 统计决策方法的基本概念2.2 最小错误率贝叶斯决策2.3 最小风险贝叶斯决策2.4 两类错误率、Neyman-Pearson 决策与 ROC 曲线2.5 正态分布时的统计决策2.5.1 正态分布及其性质回顾2.5.2 正态分布概率模型下的最小错误率贝叶斯决策2.6 错误率的计算2.6.1 正态分布且各类协方差矩阵相等情况下错误率的计算2.6.2 高维独立随机变量时错误率的估计2.7 离散概率模型下的统计决策3 概率密度函数估计3.1 概率密度函数的估计的基本概念3.2 最大似然估计3.2.1 最大似然估计的基本原理3.2.2 最大似然估计的求解3.2.3 正态分布下的最大似然估计3.3 贝叶斯估计与贝叶斯学习3.3.1 贝叶斯估计3.3.2 贝叶斯学习3.3.3 正态分布时的贝叶斯估计3.3.4 其他分布的情况3.4 概率密度估计的非参数方法3.4.1 非参数估计的基本原理与直方图方法3.4.2 k 近邻估计方法3.4.3 Parzen 窗法4 线性分类器4.1 线性判别函数4.2 Fisher 线性判别分析4.3 感知器4.4 最小平方误差判别4.5 最优分类超平面与线性支持向量机4.5.1 最优分类超平面4.5.2 大间隔与推广能力4.5.3 线性不可分情况4.6 多线性分类器4.6.1 多个两类分类器的组合4.6.2 多类线性判别函数5 非线性分类器5.1 分段线性判别函数5.1.1 分段线性距离分类器5.1.2 一般分段线性判别函数5.2 二次判别函数5.3 多层感知器神经网络5.3.1 神经元与感知器5.3.2 多个感知器组合5.3.3 基于反向传播算法的多层感知器5.4 支持向量机5.4.1 广义线性判别函数5.4.2 核函数变换与支持向量机5.4.3 多类支持向量机5.4.4 用于函数拟合的支持向量机5.5 核函数机器5.5.1 大间隔机器与核函数机器5.5.2 核 Fisher 判别6 其他分类方法6.1 近邻法6.1.1 最近邻法6.1.2 k-近邻法6.1.3 近邻法的快速算法6.1.4 剪辑近邻法6.1.5 压缩近邻法6.2 决策树与随机森林6.2.1 非数值特征6.2.2 决策树6.2.3 过学习与决策树的剪枝6.2.4 随机森林6.3 Logistic 回归6.4 Boosting 方法7 特征选择7.1 特征的评价准则7.1.1 基于类内类间距离的可分性判据7.1.2 基于概率分布的可分性判据7.1.3 基于熵的可分性判据7.1.4 利用统计检验作为可分性判据7.2 特征选择的最优算法7.3 特征选择的次优算法7.4 特征选择的遗传算法7.5 以分类性能为准则的特征选择方法8 特征提取8.1 基于类别可分性判据的特征提取8.2 主成分分析方法8.3 Karhunen-Loѐve 变换8.3.1 K-L 变换的基本原理8.3.2 用于监督模式识别的 K-L 变换8.4 K-L 变换在人脸识别中的应用举例8.5 高维数据的低维显示8.6 多维尺度法8.6.1 MDS 的基本概念8.6.2 古典尺度法8.6.3 度量型 MDS8.6.4 非度量型 MDS8.6.5 MDS 在模式识别中的引用8.7 非线性变换方法简介8.7.1 核主成分分析（KPCA）8.7.2 IsoMap 方法和 LLE 方法9 非监督模式识别9.1 基于模型的方法9.2 混合模型的估计9.2.1 非监督最大似然估计9.2.2 正态分布情况下的非监督参数估计9.3 动态聚类算法9.3.1 C 均值算法9.3.2 ISODATA 方法9.3.3 基于样本与核的相似性度量的动态聚类算法9.4 模糊聚类算法9.4.1 模糊集的基本知识9.4.2 模糊 C 均值算法9.4.3 改进的模糊 C 均值算法9.5 分级聚类方法9.6 自组织映射神经网络9.6.1 SOM 网络结构9.6.2 SOM 学习算法和自组织特性9.6.3 SOM 用于模式识别10 模式识别系统的评价10.1 监督模式识别方法的错误率估计10.1.1 训练错误率10.1.2 测试错误率10.1.3 交叉验证10.1.4 自举法与.632 估计10.2 有限样本下错误率的区间估计问题10.2.1 问题的提出10.2.2 用扰动重采样估计 SVM 错误率的置信区间10.3 特征提取与选择对分类器性能估计的影响10.4 从分类的显著性推断特征与类别的关系10.5 非监督模式识别系统性能的评价想了解更多可关注新祥旭管理联考公众号。
