图像处理与视觉计算（图形图像视觉关键知识框架梳理）
图像处理与视觉计算（图形图像视觉关键知识框架梳理）(一) 生理视觉基础******************************************************************************图2 计算机视图代表性学科知识结构与应用图3 计算机视图代表性学科知识结构与应用以下是基于参考资料的关键技术框架整理。
整理下计算机视觉、计算机图像、计算机图形等相关的几门科学技术的知识，方便对比学习，避免混淆。
- 计算机视觉Computer Vison，简称CV
- 机器视觉 Machine Vison，简称MV
- 模式识别 Pattern Recognition，简称PR
- 计算机图形学Computer Graphics，简称CG
- 数字图像处理Digital Image Processing，简称DIP
- 数据科学Digital Science，简称DS
- 知识图谱 Knowledge Graph，简称KG
- 数据可视化Data visualization，简称DV
这里统称为计算机视图科技，代表性的八个学科区别和
图1 八个计算机视图相关学科分类
对主要知识和应用的归纳总结：
图2 计算机视图代表性学科知识结构与应用
图3 计算机视图代表性学科知识结构与应用
以下是基于参考资料的关键技术框架整理。
******************************************************************************
一、数字图像处理
(一) 生理视觉基础
人眼特性、色彩空间、多通道特性、亮度自适应、对比度敏感度函数（CSF）、视觉掩盖效应、立体视觉的形成过程、立体视觉系统的生理特性、立体视觉系统的心理特性、立体视觉生理特性与心理特性的关系、JND模型与显著性模型、JND模型、显著性模型
(二) 数字图像处理
1. 图像处理基础
a) 图像（表示和显示、空间分辨率和幅度分辨率、图像质量、数字化（采样、量化）、图像性质（度量、拓扑、直方图、熵、视觉感知、品质、噪声））
b) 图像工程（图像技术和图像工程、层次、相关学科和领域、技术应用、文献统计分类）
c) 图像处理系统（框图、采集、显示和打印、存储）
d) 色彩原理和分析
e) 摄像机（光敏、黑白、彩色）
f) 图像数据结构（表示层次、矩阵、链、拓扑、关系结构、分层结构）
2. 图像增强
g) 空域增强-点操作（坐标变换——基本坐标变换、坐标变换扩展；图像间运算——算术和逻辑运算、图像间算术运算应用；图像灰度映射——灰度映射原理、典型灰度映射；直方图变换——直方图均衡化、直方图规定化）
h) 空域增强-模板操作（像素间联系——邻域和邻接、连接和连通、像素间距；模板运算；线性滤波——线性平滑滤波、线性锐化滤波；非线性滤波——非线性平滑滤波、非线性锐化滤波、线性和非线性混合滤波；局部增强）
i) 频域图像增强（频域技术原理；傅里叶变换——2D傅里叶变换、傅里叶变换定理、快速傅里叶变换；低通和高通滤波；带通和带阻滤波；同态滤波；亮度成像模型；同态滤波增强）
3. 图像恢复
a) 图像消噪和恢复（图像退化及模型——退化示例、退化模型；噪声滤除——噪声描述、噪声概率密度函数、均值类滤波器、排序类统计滤波器、选择性滤波器；无约束恢复——无约束恢复公式、逆滤波；有约束恢复——有约束恢复公式、维纳滤波器、有约束最小平方恢复；交互式恢复）
b) 图像校正和修补（图像仿射变换——一般仿射变换、特殊仿射变换、变换间的联系；几何失真校正——空间变换、灰度插值；图像修复——修补原理、全变分模型、混合模型；区域填充——基于样本的方法、结合稀疏表达的方法）
c) 图像去雾（暗通道先验去雾算法及改进——基本方法、尺度自适应、透射率估计、大气光区域确定、大气光值校正、浓雾图像去雾；改善失真的综合算法——改进算法流程、空间转换 、 透射率空间的大气散射图、天空区域检测、对比度增强；去雾效果评价——可见边缘梯度法、 基于视觉感知的评价、主客观结合的评价实例）
d) 图像投影重建（投影重建方式——透射断层成像、发射断层成像、反射断层成像、电阻抗断层成像、磁共振成像；投影重建原理——基本模型、拉东变换、傅里叶反变换重建；逆投影重建——逆投影重建原理、卷积逆投影重建、其他逆投影重建方法；迭代重建——迭代重建模型、代数重建技术、最大似然-最大期望重建算法；综合重建方法）
4. 图像编码
a) 图像编码基础（图像压缩原理——数据冗余、图像编解码、图像保真度和质量；编码定理——信息单位和信源描述、无失真编码定理、率失真编码定理；位平面编码——位平面的分解、位平面的编码；变长编码——哥伦布编码、哈夫曼编码、香农-法诺编码、算术编码）
b) 图像变换编码——可分离和正交图像变换；离散余弦变换；正交变换编码——正交变换编码系统、子图像尺寸选择、变换选择、比特分配；小波变换——小波变换基础、1-D小波变换、快速小波变换、2-D小波变换、小波变换编码——小波变换编解码系统—— 基于提升小波的编码）
c) 更多图像编码方法（基于符号的编码；LZW 编码；预测编码——无损预测编码、有损预测编码；矢量量化；准无损编码；比较和评述——不同方法特性的比较、其他编码方法）
5. 图像处理应用技术
a) 图像信息安全（水印原理和特性——水印的嵌入和检测、水印特性、水印分类；DCT域图像水印——无意义水印算法、有意义水印算法；DWT 域图像水印——人眼视觉特性 、 小波水印算法；水印性能评判——失真测度、基准测量和攻击、水印性能测试示例、图像认证和取证——基本概念、图像被动取证、图像可逆认证、图像取证示例、图像反取证；图像信息隐藏——信息隐藏技术分类、基于迭代混合的图像隐藏）
b) 彩色图像处理（彩色视觉和色度图——彩色视觉基础、三基色与色匹配、色度图；彩色模型——面向硬设备的彩色模型、面向视觉感知的彩色模型；伪彩色增强；真彩色处理——处理策略、单分量变换增强、全彩色增强、全彩色滤波和消噪）
c) 视频图像处理（视频表达和格式——视频基础；彩色电视制式；运动分类和表达；运动检测——利用图像差的运动检、基于模型的运动检测、频率域运动检测；视频滤波—— 基于运动检测的滤波、基于运动补偿的滤波、消除匀速直线运动模糊；视频预测编码）
d) 多尺度图像处理（多尺度表达；高斯和拉普拉斯金字塔——高斯金字塔、拉普拉斯金字塔、原始图像的重建；多尺度变换技术——类多尺度变换技术、多尺度变换技术比较； 基于多尺度小波的处理；超分辨率技术——基本模型和技术分类、基于单幅图像的超分辨率复原、基于多幅图像的超分辨率重建、基于示例的学习方法、基于稀疏表达的超分辨率重建、基于局部约束线性编码的超分辨率重建）
(三) 数字图像分析
1. 图像分析基础
图像分析；图像分析中的数字化——离散距离、连通组元、数字化模型、数字弧和弦；
距离变换——定义和性质、局部距离的计算、距离变换的实现
2. 图像分割
a) 图像分割基础（图像分割定义和技术分类；并行边界技术——边缘及检测原理、正交梯度算子、方向微分算子、二阶导数算子、边界闭合；串行边界技术——主动轮廓模型、 能量函数；并行区域技术——原理和分类、依赖像素的阈值选取、依赖区域的阈值选取、 依赖坐标的阈值选取、空间聚类；串行区域技术——区域生长、分裂合并）
b) 典型分割算法（兴趣点检测——二阶导数检测角点、最小核同值区算子、哈里斯兴趣点算子；图割方法；特色的阈值化和聚类技术——多分辨率阈值选取、借助过渡区选择阈值、借助均移确定聚类；分水岭分割算法——基本原理和步骤、算法改进和扩展
c) 分割技术扩展（从像素单元到目标单元——像素和目标之间的单元、椭圆目标检测； 从哈夫变换到广义哈夫变换——哈夫变换、广义哈夫变换原理、完整广义哈夫变换； 从像素到亚像素——基于矩保持的技术、利用
d) 一阶微分期望值的技术、借助切线信息的技术；从 2D图像到3D图像——3D边缘检测、3D图像阈值化；从灰度到彩色——彩色空间的选择、彩色图像分割策略
e) 分割评价比较（分割评价研究分类；分割算法评价框架；分割评价准则——分析法准则、优度试验法准则、差异试验法准则；算法评价实例——实验算法和图像、实验结果和讨论；评价方法和准则比较——方法讨论和对比、准则的分析比较、准则的实验比较；基于评价的算法优选系统——算法优选思想和策略、优选系统的实现和效果）
3. 表达描述
a) 目标表达（基于边界的表达——技术分类、链码、边界段、边界标志、多边形、地标点；基于区域的表达——技术分类、空间占有数组、四叉树、金字塔、围绕区域、 骨架；基于变换的表达——技术分类、傅里叶变换表达）
b) 目标描述（基于边界的描述——简单边界描述符、形状数、边界矩；基于区域的描述——简单区域描述符、拓扑描述符、区域不变矩；对目标关系的描述——目标标记和计数、点目标的分布、字符串描述、、树结构描述）
c) 测量和误差分析（直接测度和间接测度；需区别的术语——准确性和精确性、模型假设和实际观察、4-连通和8-连通；影响测量误差的因素——误差来源、光学镜头分辨率、采样密度、分割算法、特征计算公式、综合影响、随机样本共识；误差分析）
4. 特性分析
a) 纹理分析（纹理研究概况；纹理描述的统计方法——灰度共生矩阵、基于共生矩阵的纹理描述符、基于能量的纹理描述符；纹理描述的结构方法——结构描述法基础、 纹理镶嵌、局部二值模式；纹理描述的频谱方法——傅里叶频谱、盖伯频谱；一种纹理分类合成方法；纹理分割——有监督纹理分割、无监督纹理分割）
b) 形状分析（形状定义和研究；平面形状的分类；形状特性的描述——形状紧凑性描述、形状复杂性描述；基于技术的描述——基于多边形的描述符、基于离散曲率的描述符；拓扑结构的描述；分形维数）
c) 运动分析（运动研究内容；运动目标检测——背景建模、光流场、特定运动模式的检测；运动目标分割——目标分割和运动信息提取、稠密光流算法、基于参数和模型的分割；运动目标跟踪——典型技术、子序列决策策略）
d) 显著性和属性（显著性概述；显著性检测；显著区域分割提取——基于对比度幅值、 基于对比度分布、基于最小方向对比度、显著目标分割和评价；属性描述概况；属性提取中的特征比较；属性应用——跨类目标分类、属性学习和目标识别、基于局部动作属性的动作分类）
5. 数学工具
a) 数学形态学：二值（基本集合定义；二值形态学基本运算——二值膨胀和腐蚀、二值开启和闭合、二值基本运算性质；二值形态学组合运算——击中-击不中变换、二值组合运算；二值形态学实用算法）
b) 数学形态学：灰度（灰度图像的排序；灰度形态学基本运算——灰度膨胀和腐蚀、灰度开启和闭合、灰度基本运算性质；灰度形态学组合运算；灰度形态学实用算法； 图像代数）
c) 图像识别（模式和分类；不变量交叉比——交叉比、非共线点的不变量、对称的交叉比函数、交叉比应用示例；统计模式识别——最小距离分类器、最优统计分类器、 自适应自举；感知机和支持向量机——感知机、支持向量机；结构模式识别——字符串结构识别、树结构识别）
(四) 图像理解
a) 图像理解基础
图像工程——发展、基本概念和定义概括、图像技术发展情况回顾；图像理解及相关学科——图像理解、计算机视觉、其他相关学科、图像理解的应用领域；图像理解理论框架——马尔视觉计算理论、对马尔理论框架的改进、关于马尔重建理论的讨论、 新理论框架的研究；内容框架和特点
b) 采集表达
a) 摄像机成像（视觉过程；摄像机成像模型——基本摄像机模型、近似投影模式、一般摄像机模型、通用成像模型；摄像机标定——标定程序和参数、两级标定法；亮度成像——光度学和光源、从亮度到照度）
b) 压缩感知与成像（压缩感知概述；稀疏表达；测量矩阵及特性——采样/测量模型、测量矩阵特性；解码重构——重构原理、测量矩阵的校准、典型重构算法；稀疏编码与字典学习——字典学习与矩阵分解、非负矩阵分解、端元提取、稀疏编码；压缩感知的成像应用——单像素相机、压缩感知磁共振成像）
c) 深度信息采集（高维图像和成像方式——高维图像种类、本征图像和非本征图像、
、深度成像方式；双目成像模式——双目横向模式、双目会聚横向模式、双目轴向模式；深度图像直接采集——飞行时间法、结构光法、莫尔等高条纹法、深度和亮度图像同时采集； 显微镜3-D 分层成像——景深和焦距、显微镜3D成像、共聚焦显微镜3D 成像）
d) 3D景物表达（曲线和曲面的局部特征——曲线局部特征、曲面局部特征；3D表面表达——参数表达、表面朝向表达；等值面的构造和表达——行进立方体算法、 覆盖算法；从并行轮廓插值3D表面；3D实体表达——基本表达方案、广义圆柱体表达）
c) 景物重建
a) 立体视觉：双目（立体视觉模块；基于区域的双目立体匹配——模板匹配、立体匹配；基于特征的双目立体匹配——基本步骤、尺度不变特征变换、加速鲁棒性特征、 动态规划匹配；视差图误差检测与校正）
b) 立体视觉：多目（水平多目立体匹配——水平多目图像、倒距离；正交三目立体匹配——基本原理、基于梯度分类的正交匹配；多目立体匹配——任意排列三目立体匹配、正交多目立体匹配；亚像素级视差计算）
c) 景物恢复：多图像（单目景物恢复；光度立体学——景物亮度和图像亮度、表面反射特性和亮度、景物表面朝向、反射图和亮度约束方程、光度立体学求解；从运动求取结构——光流和运动场、光流方程求解、光流与表面取向、光流与相对深度）
d) 景物恢复：单图像（从影调恢复形状——影调与形状、亮度方程求解；纹理与表面朝向——单目成像和畸变、由纹理变化恢复朝向、检测线段纹理消失点、确定图像外消失点；由焦距确定深度；根据三点透视估计位姿）
d) 场景解释
a) 知识表达和推理（知识基础；场景知识——模型、属性超图、基于知识的建模；过程知识；知识表达——知识表达要求、知识表达类型、图像理解系统中的知识模块、 基本知识表达方案；逻辑系统——谓词演算规则、利用定理证明来推理；语义网； 产生式系统）
b) 广义匹配（匹配概述——匹配策略和类别、匹配和配准、匹配评价；目标匹配—— 匹配的度量、对应点匹配、字符串匹配、惯量等效椭圆匹配、形状矩阵匹配；动态模式匹配；关系匹配；图同构——图论简介、图同构和匹配；线条图标记）
c) 场景分析和语义解释（场景理解概述；模糊推理——模糊集和模糊运算、模糊推理方法；遗传算法图像解释——遗传算法原理、语义分割和解释；场景目标标记；场景分类——词袋/特征包模型、pLSA 模型、LDA 模型）
e) 研究示例
a) 多传感器图像信息融合（信息融合概述；图像融合——主要步骤、三个层次、效果评价；像素级融合方法——基本融合方法、融合方法的结合、小波融合时的最佳分解层数、压缩感知图像融合、像素级融合示例；特征级和决策级融合方法——贝叶斯法、证据推理法、粗糙集理论法）
b) 基于内容的图像和视频检索（图像和视频检索原理；视觉特征的匹配和检索——颜色特征匹配、纹理特征计算、多尺度形状特征、综合特征检索；基于运动特征的视频检索——全局运动特征、局部运动特征；视频节目分析和索引——新闻视频结构化、体育比赛视频排序、家庭录像视频组织；语义分类检索——基于视觉关键词的图像分类、高层语义与气氛）
c) 时空行为理解（时空技术；时空兴趣点；动态轨迹学习和分析——自动场景建模、 学习路径、自动活动分析；动作分类和识别——动作分类、动作识别；活动和行为建模——动作建模、活动建模和识别；主体与动作联合建模——单标签主体-动作识别、多标签主体-动作识别、主体-动作语义分割）
****************************************************************************************
二、计算机视觉
《计算机视觉 一种现代方法》
第一部分图像生成
1.摄像机的几何模型
图像成像——针孔透视、弱透视、带镜头的照相机、人的眼睛；内参数和外参数——刚体变换和齐次坐标、内参数、外参数、透视投影矩、弱透视投影矩阵；照相机的几何标定——使用线性方法对照相机进行标定、使用非线性方法对照相机进行标定
2.光照及阴影
像素的亮度——表面反射、光源及其产生的效果、朗伯 镜面反射模型、面光源；阴影的估算——辐射校准和高动态范围图像、镜面反射模、对亮度和照度的推、光度立体技术：从多幅阴影图像恢复形状；对互反射进行建模——源于区域光在一个块上的照度、热辐射和存在性、互反射模型、互反射的定性性质；一个阴影图像的形状
3.颜色
人类颜色感知——颜色匹配、颜色感受体；颜色物理学——颜色的来源、表面颜色；颜色表示——线性颜色空间、非线性颜色空间；图像颜色的模型——漫反射项、镜面反射项；基于颜色的推论——用颜色发现镜面反射、用颜色去除阴影、颜色恒常性：从图像颜色获得表面颜色
第二部分早期视觉：使用一幅图像
4.线性滤波
线性滤波与卷积——卷积；移不变线性系统——离散卷积、连续卷积、离散卷积的边缘效应；空间频率和傅里叶变换——傅里叶变换；采样和混叠——采样、混叠、平滑和重采样；滤波器与模板——卷积与点积、基的改变；技术：归一化相关和检测模式——通过归一化相关检测手势的方法来控制电视机；技术：尺度和图像金字塔——高斯金字塔、多尺度表示的应用
5.局部图像特征
计算图像梯度——差分高斯滤波；对图像梯度的表征——基于梯度的边缘检测子、方向；查找角点和建立近邻——查找角点、采用尺度和方向构建近邻；通过SIFT特征和HOG特征描述近邻——SIFT特征、HOG特征；实际计算局部特征
6.纹理
利用滤波器进行局部纹理表征——斑点和条纹、从滤波器输出到纹理表征、实际局部纹理表征；通过纹理基元的池化纹理表征——向量量化和纹理基元、k均值聚类的向量量化；纹理合成和对图像中的空洞进行填充——通过局部模型采样进行合成、填充图像中的空洞；图像去噪、非局部均值、三维块匹配(BM3D)、稀疏编码学习、结果；由纹理恢复形状——在平面内由纹理恢复形状、从弯曲表面的纹理恢复形状
第三部分低层视觉：使用多幅图像
7.立体视觉
双目摄像机的几何属性和对极约束——对极几何、本征矩阵、基础矩阵；双目重构——图像矫正；人类立体视觉；双目融合的局部算法——相关、多尺度的边缘匹配、双目融合的全局算法——排序约束和动态规划、滑约束和基于图的组合优化；使用多台摄像机；应用：机器人导航
8.从运动中恢复三维结构
内部标定的透视摄像机——问题的自然歧义性、从两幅图像估计欧氏结构和运动、从多幅图像估计欧氏结构和运动；非标定的弱透视摄像机、问题的自然歧义性、从两幅图像恢复仿射结构和运动、从多幅图像恢复仿射结构和运动、从仿射到欧氏图像；非标定的透视摄像机——问题的自然歧义性、从两幅图像恢复投影结构和运动、从多幅图像恢复投影结构和运动、从投影到欧氏图像
第四部分中层视觉方法
9.基于聚类的分割方法
人类视觉：分组和格式塔原理；重要应用——背景差分、镜头的边界检测、交互分割、形成图像区域；基于像素点聚类的图像分割——基本的聚类方法、分水岭算法、使用k均值算法进行分割、均值漂移：查找数据中的局部模型、采用均值漂移进行聚类和分割；分割、聚类和图论——图论术语和相关事实、根据图论进行凝聚式聚类、根据图论进行分解式聚类
、归一化切割；图像分割在实际中的应用——对分割器的评估
10.分组与模型拟合
霍夫变换——用霍夫变换拟合直线、霍夫变换的使用；拟合直线与平面——拟合单一直线、拟合平面、拟合多条直线；拟合曲线；鲁棒性——M估计法、RANSAC：搜寻正常点；用概率模型进行拟合——数据缺失问题、混合模型和隐含变量、混合模型的EM算法、EM算法的难点；基于参数估计的运动分割——光流和运动、光流模型、用分层法分割运动；模型选择：哪个最好——利用交叉验证选择模型
11．跟踪
简单跟踪策略——基于检测的跟踪、基于匹配的平移跟踪、使用仿射变换来确定匹配；匹配跟踪、匹配摘要表征、流跟踪；基于卡尔曼滤波器的线性动态模型跟踪——线性测量值和线性动态模型、卡尔曼滤波、前向后向平滑；数据相关——卡尔曼滤波检测方法、数据相关的关键方法；粒子滤波——概率分布的采样表示、最简单的粒子滤波器、跟踪算法、可行的粒子滤波器、创建粒子滤波器中的粒子
第五部分高层视觉
12.配准
刚性物体配准——迭代最近点、通过关联搜索转换关系、应用：建立图像拼接；基于模型的视觉：使用投影配准刚性物体——验证：比较转换与渲染后的原图与目标图；配准可形变目标——使用主动外观模型对纹理进行变形、实践中的主动外观模型、应用：医疗成像系统中的配准
13.平滑的表面及其轮廓
微分几何的元素——曲线、表面；表面轮廓几何学——遮挡轮廓和图形轮廓、图像轮廓的歧点和拐点、Koenderink定理；视觉事件：微分几何的补充——高斯映射的几何关系、渐近曲线、渐近球面映射、局部视觉事件、双切射线流形、多重局部视觉事件、外观图
14．深度数据
主动深度传感器；深度数据的分割——分析微分几何学的基本元素、在深度图像中寻找阶跃和顶边、把深度图像分割为平面区域；深度图像的配准和模型获取、四元组、使用最近点迭代方法配准深度图像、多幅深度图像的融合；物体识别、使用解释树匹配分段平面表示的表面、使用自旋图像匹配自由形态的曲面；Kinect、特征、技术：决策树和随机森林、标记像素、计算关节位置
15．用于分类的学习
分类、误差和损失函数——基于损失的决策、训练误差、测试误差和过拟合、正则化、错误率和交叉验证、受试者工作特征曲线(ROC)；主要的分类策略——示例：采用归一化类条件密度的马氏距离、示例：类条件直方图和朴素贝叶斯、示例：采用最近邻的非参分类器、示例：线性支持向量机、示例：核机器、示例：级联和Adaboost；构建分类器的实用方法——手动调整训练数据并提升性能、通过二类分类器构建多类分类器、求解SVM和核机器的方案
16．图像分类
构建好的图像特征——示例应用、采用GIST特征进行编码布局、采用视觉单词总结图像、空间金字塔、采用主分量进行降维、采用典型变量分析进行降维、示例应用：检测不雅图片、示例应用：材料分类、示例应用：场景分类；分类单一物体的图像——图像分类策略、图像分类的评估系统、固定类数据集、大量类的数据集、花、树叶和鸟：某些特定的数据集；在实践中进行图像分类——关于图像特征的代码、图像分类数据库、数据库偏差、采用众包平台进行数据库收集
17．检测图像中的物体
滑动窗口法——人脸检测、行人检测、边界检测；检测形变物体；物体检测算法的发展现状——数据库和资源
18．物体识别
物体识别应该做什么——物体识别系统应该做什么、目前物体识别的策略、什么是类别、选择：应该怎么描述；特征问题——提升当前图像特征、其他类型的图像特征；几何问题语义问题——属性和不熟悉、部分、姿态部件和一致性、块的意义：部分、姿态部件、物体、短语和场景
第六部分 应用与其他主题
19．基于图像的建模与渲染
可视外壳——可视外壳模型的主要元素、跟踪相交曲线、分割相交曲线、锥带三角化、结果、更进一步：雕刻可视外壳；基于贴片的多视立体视觉——PMVS模型的主要元素、初始特征匹配、扩张、过滤、结果；光场
20．对人的观察
隐马尔可夫模型、动态规划和基于树形结构的模型——隐马尔可夫模型、关于HMM的推理、通过EM拟合HMM、树形结构的能量模型；对图像中的人进行解析——图形结构模型的解析、估计衣服的表面；人的跟踪——为什么人的跟踪如此困难、通过表面进行运动跟踪、采用模板进行运动人体跟踪；从二维到三维：提升、在正视图进行重构、利用外貌进行精确重构、利用运动进行精确重构；行为识别——背景：人类运动数据、人体结构和行为识别、采用外貌特征识别人类行为、采用组合的模型识别人类行为
第21章图像搜索与检索
应用背景——应用、用户需求、图像查询的类别、什么样的用户使用图像采集；源自信息检索的基本技术——单词统计、单词统计的平滑、最近邻估计和哈希、文本排序；图像文件——没有量化的匹配、根据查询结果对图像进行排序、浏览与布局、图像浏览布局；对注释的图片预测——源于邻近文字的注释、源于整幅图的注释、采用分类器预测关联的单词、人名与人脸、通过分割生成标签；目前最先进的单词预测器——资源、方法比较、开放问题
第七部分 背景材料
第22章优化技术
线性最小二乘法——正则方程和伪逆、齐次方程组和特征值问题、广义特征值问题、示例：拟合平面上的一条直线、奇异值分解；非线性最小二乘法——牛顿方法：平方非线性方程组、牛顿方法：过约束的非线性方程组、高斯牛顿法和Levenberg-Marquardt法；稀疏编码和字典学习——稀疏编码、字典学习、监督字典学习；最小切/最大流问题和组合优化——最小切问题、二次伪布尔函数、泛化为整型变量
《计算机视觉：模型、学习和推理》
第一部分 概率
1. 概率概述
随机变量；联合概率；边缘化；条件概率；贝叶斯公式；独立性；期望
2. 常用概率分布
伯努利分布；贝塔分布；分类分布； 狄利克雷分布；一元正态分布；正态逆伽马分布；多元正态分布；正态逆维希特分布；共轭性
3.拟合概率模型
最大似然法；最大后验法；贝叶斯方法；算例1：一元正态分布、最大似然估计、 最大后验估计、贝叶斯方法；算例2：分类分布——最大似然法、最大后验法、贝叶斯方法
4. 正态分布
协方差矩阵的形式；协方差分解；变量的线性变换；边缘分布；条件分布；正态分布的乘积；变量改变
第二部分 机器视觉的机器学习
5.视觉学习和推理
计算机视觉问题；模型的种类——判别模型、生成模型；示例1：回归——判别模型、生成模型；示例2：二值分类——判别模型、生成模型；应该用哪种模型；应用——皮肤检测、背景差分
6.复杂数据密度建模
正态分类模型、隐变量、期望最大化、混合高斯模型——混合高斯边缘化、基于期望最大化的混合模型拟合； t分布、学生t分布边缘化、拟合t分布的期望最大化；因子分析——因子分析的边缘分布、因子分析学习的期望最大化；组合模型；期望最大化算法的细节——期望最大化算法的下界、E步、M步；应用——人脸检测、目标识别、分割、正脸识别、改变人脸姿态（回归）、作为隐变量的变换
7.回归模型
线性回归——学习、线性回归模型的问题；贝叶斯线性回归——实际考虑、拟合方差；非线性回归——最大似然法、贝叶斯非线性回归；核与核技巧；高斯过程回归；稀疏线性回归；二元线性回归；相关向量回归；多变量数据回归；应用——人体姿势估计——位移专家
8.分类模型
逻辑回归——学习：最大似然估计、逻辑回归模型的问题；贝叶斯逻辑回归——学习； 推理；非线性逻辑回归； 对偶逻辑回归模型； 核逻辑回归；相关向量分类；增量拟合和boosting；分类树； 多分类逻辑回归；随机树、随机森林和随机蕨分类器；与非概率模型的联系；应用——性别分类、脸部和行人检测、语义分割、恢复表面布局、 人体部位识别
第三部分 连接局部模型
9.图模型
条件独立性；有向图模型；示无向图模型；有向图模型与无向图模型的对比；计算机视觉中的图模型；含有多个未知量的模型推理——求最大后验概率的解、求后验概率分布的边缘分布、最大化边缘、后验分布的采样；样本采样——有向图模型的采样、无向图模型的采样；学习——有向图模型的学习、无向图模型的学习
10.链式模型和树模型
链式模型——有向链式模型、无向链式模型、模型的等价性、隐马尔可夫模型在手语中的应用；链式MAP推理；树的MAP推理；链式边缘后验推理——求解边缘分布、前向后向算法、置信传播、链式模型的和积算法；树的边缘后验推理；链式模型和树模型的学习；链式模型和树模型之外的东西；应用——手势跟踪、立体视觉、形象化结构、分割
11. 网格模型
马尔可夫随机场——网格示例、离散成对MRF图像去噪、二值成对马尔可夫随机场的MAP推理——最大流/最小割、MAP推理：二值变量；多标签成对MRF的MAP推理； 非凸势的多标签MRF；条件随机场；高阶模型；网格有向模型；应用——背景差分、 交互式分割、立体视觉、图像重排、超分辨率、纹理合成、合成新面孔
第四部分预处理
12. 图像预处理与特征提取
逐像素变换——白化、直方图均衡化、线性滤波、局部二值模式、纹理基元映射；边缘、角点和兴趣点——Canny边缘检测器、Harris角点检测器、SIFT检测器；描述子、直方图、SIFT描述子、方向梯度直方图、词袋描述子、形状内容描述子；降维——单数值近似、主成分分析、二元主成分分析、K均值算法
第五部分 几何模型
13. 针孔摄像机
针孔摄像机简介——归一化摄像机、焦距参数、偏移量和偏移参数、摄像机的位置与方向、全针孔摄像机模型、径向畸变；三个几何问题、问题1：学习外在参数、问题2：学习内在参数、问题3：推理3D世界点、解决问题；齐次坐标；学习外在参数；学习内在参数；推理3D世界点； 应用——结构光的深度、剪影重构
14．变换模型
二维变换模型——欧氏变换模型、相似变换模型、仿射变换模型、投影变换模型、增加不确定性；变换模型中的学习——学习欧氏参数、学习相似参数、学习仿射参数、学习投影参数；变换模型中的推理、平面的三个几何问题——问题1：学习外在参数、问题2：学习内在参数、问题3：与摄像机相关的3D位置推理；图像间的变换——单应性的几何特征、计算图像间的变换；变换的鲁棒学习——RANSAC、 连续RANSAC、PEaRL；应用——增强现实追踪、视觉全景
15. 多摄像机系统
双视图几何学理论——极线约束、极点；实矩阵、实矩阵的属性、实矩阵的分解；基础矩阵、基础矩阵的估计、8点算法；双视图重构的流程； 校正——平面校正、极面校正、校正后处理；多视图重构；应用——三维重构、图片浏览、立体图割
第六部分 视觉模型
16. 形状模型
形状及其表示; snake模型——推理、snake模型中存在的问题；形状模板、推理、用迭代最近点算法进行推理；统计形状模型——学习、推理；子空间形状模型——概率主成分分析、学习、推理；三维形状模型；形状和外观的统计模型、学习、推理；非高斯统计形状模型、回归PPCA、高斯过程隐变量模型；铰接式模型；应用——三维形变模型、三维人体模型
17. 身份与方式模型
子空间身份模型——学习、推理、在其他识别任务中的推理、身份子空间模型的局限性；概率线性判别分析、学习、推理；非线性身份模型；非对称双线性模型、学习、推理；对称双线性和多线性模型、学习、推理、多线性模型；应用、人脸识别、纹理建模、动画合成
18. 时序模型
时序估计框架——推理、学习；卡尔曼滤波器——推理、改写测量合并阶段、推理总结、、滤波、时序和测量模型、卡尔曼滤波器的问题；扩展卡尔曼滤波器；无损卡尔曼滤波器、状态演化、测量合并过程；粒。
******************************************************************************
三、模式识别
1．导论
模式识别的重要性；特征、特征向量和分类器；有监督、无监督和半监督学习；MATLAB程序
2．基于贝叶斯决策理论的分类器
贝叶斯决策理论；判别函数和决策面； 正态分布的贝叶斯分类；未知概率密度函数的估计； 最近邻规则；贝叶斯网络
3．线性分类器
线性判别函数和决策超平面；感知器算法；最小二乘法；均方估计的回顾；逻辑识别；支持向量机
4．非线性分类器
异或问题、两层感知器、三层感知器、基于训练集准确分类的算法、反向传播算法、反向传播算法的改进、代价函数选择、神经网络大小的选择、仿真实例、具有权值共享的网络、线性分类器的推广、线性二分法中1维空间的容量、多项式分类器、径向基函数网络、通用逼近、概率神经元网络、支持向量机：非线性情况、超越SVM的范例、决策树、合并分类器、合并分类器的增强法、类的不平衡问题、
5．特征选择
预处理；峰值现象；基于统计假设检验的特征选择；接收机操作特性（ROC）曲线；类可分性测量；特征子集的选择；最优特征生成；神经网络和特征生成/选择；推广理论的提示；贝叶斯信息准则
6．特征生成I：线性变换
基本向量和图像；；Karhunen-Loève变换；奇异值分解；独立成分分析；非负矩阵因子分解；非线性维数降低；离散傅里叶变换（DFT）；离散正弦和余弦变换；Hadamard变换；Haar变换；回顾Haar展开式；离散时间小波变换（DTWT）；多分辨解释；小波包；二维推广简介
7．特征生成II
区域特征；字符形状和大小的特征；分形概述；语音和声音分类的典型特征
8．模板匹配
基于最优路径搜索技术的测度；基于相关的测度；可变形的模板模型；基于内容的信息检索：
9．上下文相关分类
贝叶斯分类器；马尔可夫链模型；Viterbi算法；信道均衡；隐马尔可夫模型；状态驻留的HMM；用神经网络训练马尔可夫模型；马尔可夫随机场的讨论
10．监督学习
误差计算方法；探讨有限数据集的大小；医学图像实例研究；半监督学习
11．聚类
近邻测度；顺序算法——聚类算法的种类、顺序聚类算法、BSAS的改进、两个阈值的顺序方法；改进阶段；神经网络的实现；层次算法；合并算法；cophenetic矩阵；分裂算法；用于大数据集的层次算法；最佳聚类数的选择
聚类算法III：基于函数最优方法——混合分解方法、模糊聚类算法、可能性聚类、硬聚类算法、向量量化；基于图论的聚类算法、竞争学习算法、二值形态聚类算法 、边界检测算法、谷点搜索聚类算法、通过代价最优聚类（回顾）、核聚类方法、对大数据集的基于密度算法、高维数据集的聚类算法、其他聚类算法、聚类组合
16．聚类有效性
假设检验回顾、聚类有效性中的假设检验、相关准则、单独聚类有效性、聚类趋势
***********************************************************
四、计算机图形
1. 计算机图形学综述
图和表、计算机辅助设计、虚拟现实环境、数据可视化、教学与培训、计算机艺术、娱乐、图像处理、图形用户界面、小结
2. 计算机图形硬件
视频显示设备——刷新式CRT、光栅扫描显示器、随机扫描显示器、彩色CRT监视器、平板显示器、三维观察设备、立体感和虚拟现实系统；光栅扫描系统（视频控制器、光栅扫描显示处理器；图形工作站和观察系统；输入设备（键盘、 按键盒和旋钮、鼠标设备、跟踪球和空间球、操纵杆、数据手套、数字化仪、图像扫描仪、触摸板、光笔、语音系统；硬拷贝设备；图形网络；因特网上的图形
3. 计算机图形软件
坐标表示；图形功能；软件标准；其他图形软件包；OpenGL简介——基本的OpenGL语法、相关库、头文件、使用GLUT进行显示窗口管理、一个完整的OpenGL程序、OpenGL的出错处理
4. 输出图元
坐标系统——屏幕坐标、绝对和相对坐标描述；OpenGL中指定二维世界坐标系统； OpenGL画点函数；OpenGL画线函数；OpenGL曲线函数；填充区图元；多边形填充区——多边形分类、识别凹多边形、分割凹多边形、将凸多边形分割成三角形集、内-外测试、 多边形表、平面方程、前向面与后向面、OpenGL多边形填充区函数、OpenGL顶点数组； 像素阵列图元；OpenGL像素阵列函数——OpenGL位图函数、OpenGL像素图函数、 OpenGL光栅操作、字符图元；OpenGL字符函数；图形分割；OpenGL显示表——创建和命名OpenGL显示表、执行OpenGL显示表、删除OpenGL显示表；OpenGL显示窗口重定形函数；
5. 图元的属性
OpenGL状态变量；颜色和灰度——RGB颜色分量、颜色表、灰度、其他颜色参数；OpenGL颜色函数——OpenGL的RGB和RGBA颜色模型、OpenGL 颜色索引模式、OpenGL颜色调、OpenGL颜色数组、其他OpenGL颜色函数；点的属性；OpenGL点属性函数；线的属性——线宽、线型、画笔或画刷的选择；OpenGL线属性函数——OpenGL线宽函数、OpenGL线型函数、其他OpenGL线效果；曲线属性；填充区属性——填充模式、颜色调和填充区域；OpenGL填充区属性函数——OpenGL填充图案函数、OpenGL纹理和插值图案、OpenGL线框图方法、OpenGL前向面函数；字符属性；OpenGL字符属性函数； OpenGL反走样函数；OpenGL询问函数；OpenGL属性组
6. 实现图元及属性的算法
画线算法——直线方程、DDA算法、Bresenham画线算法、显示折线；并行画线算法；帧缓存值的装载；圆生成算法——圆的特性、中点圆算法；椭圆生成算法——椭圆的特征、 中点椭圆算法；其他曲线——圆锥剖切线、多项式和样条曲线；并行曲线算法；像素编址和对象的几何要素——屏幕网格坐标、保持显示对象的几何特性；直线段和曲线属性的实现—— 线宽、线型、画笔或画刷的选项、曲线属性；通用扫描线填充算法；凸多边形的扫描线填充；曲线边界区域的扫描线填充；不规则边界区域的填充方法——边界填充算法、泛滥填充算法； 填充模式的实现方法——填充模式、颜色调和填充区域；反走样的实现方法——直线段的过取样、子像素的加权掩模、直线段的区域取样、过滤技术、像素移相、直线亮度差的校正、 区域边界的反走样
7. 二维几何变换
基本的二维几何变换——二维平移、二维旋转、二维缩放；矩阵表示和齐次坐标——齐次坐标、二维平移矩阵、二维旋转矩阵、二维缩放矩阵；逆变换；二维复合变换——复合二维平移、复合二维旋转、复合二维缩放、通用二维基准点旋转、通用二维基准点缩放、通用二维定向缩放、矩阵合并特性、通用二维复合变换和计算效率、二维刚体变换、构造二维旋转矩阵、二维复合矩阵编程例；其他二维变换——反射、错切；几何变换的光栅方法；OpenGL光栅变换；二维坐标系间的变换；OpenGL二维几何变换函数——基本的OpenGL几何变换、OpenGL矩阵操作；OpenGL几何变换编程示例；
8. 二维观察
二维观察流水线、裁剪窗口——观察坐标系裁剪窗口、世界坐标系裁剪窗口；规范化和视口变换——裁剪窗口到规范化视口的映射、裁剪窗口到规范化正方形的映射、字符串的显示、 分画面效果和多输出设备；OpenGL二维观察函数——OpenGL投影模式、GLU裁剪窗口函数、OpenGL视口函数、建立GLUT显示窗口、设定GLUT显示窗口的模式和颜色、GLUT显示窗口标识、删除GLUT显示窗口、当前GLUT显示窗口、修改GLUT显示窗口的位置和大小、管理多个GLUT显示窗口、GLUT子窗口、显示窗口屏幕光标形状的选择、在GLUT显示窗口中观察图形对象、执行应用程序、其他GLUT函数、OpenGL的二维观察程序例； 裁剪算法；二维点裁剪；二维线裁剪——Cohen-Sutherland线段裁剪算法、梁友栋-Barsky线段裁剪算法 、Nicholl-Lee-Nicholl线段裁剪算法、非矩形多边形裁剪窗口的线段裁剪、非线性裁剪窗口边界的线裁剪；多边形填充区裁剪——Sutherland-Hodgman多边形裁剪、 Weiler-Atherton多边形裁剪、非矩形的多边形窗口的多边形裁剪、非线性裁剪窗口边界的多边形裁剪；曲线的裁剪；文字的裁剪
9. 三维几何变换
三维平移；三维旋转——三维坐标轴旋转、一般三维旋转、三维旋转的四元数方法；三维缩放；三维复合变换；其他三维变换——三维反射、三维错切；三维坐标系间的变换；仿射变换；OpenGL几何变换函数——OpenGL矩阵栈、OpenGL几何变换编程例
10. 三维观察
三维观察概念综述——三维场景观察、投影、深度提示、可见线和可见面的判定、面绘制、 拆散和剖切面视图、三维和立体视图；三维观察流水线、三维观察坐标系参数——观察平面法向量、观察向上向量、uvn观察坐标系、生成三维观察效果；世界坐标系到观察坐标系的变换、投影变换、正投影——轴测和等轴测正投影、正投影坐标系、裁剪窗口和正投影观察体、正投影的规范化变换；斜投影——绘图和设计中的斜平行投影、斜等测和斜二测斜平行投影、斜平行投影向量、裁剪窗口和斜平行投影观察体、斜平行投影变换矩阵、斜平行投影的规范化变换；透视投影——透视投影变换坐标系、透视投影公式： 特殊情况、透视投影的灭点、透视投影观察体、透视投影变换矩阵、对称的透视投影锥体、斜透视投影棱台、规范化透视投影变换坐标；视口变换和三维屏幕坐标系；OpenGL三维观察函数——OpenGL观察变换函数、OpenGL正交投影函数、OpenGL对称透视投影棱台、OpenGL通用透视投影函数、OpenGL视口和显示窗口、OpenGL三维观察程序示例；三维裁剪算法——三维齐次坐标系中的裁剪、三维区域码、三维点和线的裁剪、三维多边形裁剪、三维曲面裁剪、
任意裁剪平面、OpenGL任选裁剪平面
11. 层次建模
基本建模概念——系统表示、符号层次；建模软件包；通用层次建模方法——局部坐标、建模变换、创建层次结构；使用OpenGL显示列表的层次建模
12. 计算机动画
计算机动画的光栅方法——双缓存、用光栅操作生成动画；动画序列的设计；传统动画技术；通用计算机动画功能；计算机动画语言；关键帧系统——变形、模拟加速度；运动的描述——直接运动描述、目标导向系统、运动学和动力学；角色动画——关节链形体动画、运动捕捉；周期性运动；OpenGL动画子程序
13. 三维对象的表示
多面体；OpenGL多面体函数——OpenGL多边形填充函数、GLUT规则多面体函数、GLUT多面体程序示；曲面；二次曲面——球面、椭球面、环面；超二次曲面——超椭圆、超椭球面；OpenGL二次曲面和三次曲面函数—— GLUT二次曲面函数、 OpenGL三次曲面茶壶函数、 GLU二次曲面函数、使用GLUT和GLU二次曲面函数的程序示例
14. 样条表示
插值和逼近样条；参数连续性条件；几何连续性条件；样条描述；样条曲面；修剪样条曲面 ；三次样条插值方法——自然三次样条、Hermite插值、Cardinal样条、Kochanek?Bartels样条；Bézier样条曲线——Bézier曲线公式、Bézier曲线生成程序示例、Bézier曲线的特性、使用Bézier曲线的设计技术、三次Bézier曲线；Bézier曲面； B样条曲线—— B样条曲线公式、 均匀周期性B样条曲线 、三次周期性B样条曲线、开放均匀的B样条曲线
、非均匀B样条曲线；B样条曲面；Beta样条—— Beta样条连续性条件、三次周期性Beta样条曲线的矩阵表示；有理样条；样条表示之间的转换；样条曲线和曲面的显示—— Horner规则、向前差分计算、细分方法；OpenGL的逼近样条函数——OpenGL的Bézier样条曲线函数、OpenGL的Bézier样条曲面函数、 GLU的B样条曲线函数、GLU的B样条曲面函数、GLU曲面修剪函数；
15. 其他三维对象的表示
柔性对象；扫描表示法；结构实体几何法；八叉树；BSP树；基于物理的方法
16. 可见面判别算法
可见面判别算法的分类；后向面判别；深度缓存算法；A缓存算法；扫描线算法；深度排序算法；BSP树算法；区域细分算法；八叉树算法；光线投射算法；可见性检测算法的比较；
曲面——曲面表示、曲面的层位线显示；线框图可见性算法——线框面可见性算法、线框图深度提示算法；OpenGL可见性检查函数——OpenGL多边形剔除函数、OpenGL深度缓存函数、OpenGL线框面可见性方法、OpenGL深度提示函数
17. 光照模型与面绘制算法
光源——点光源、穷远光源、辐射强度衰减、方向光源和投射效果、角强度衰减、扩展光源和Warn模型；表面光照效果；基本光照模型——环境光、漫反射、镜面反射和Phong模型、漫反射和镜面反射的合并、多光源的漫反射和镜面反射、表面的光发射、考虑强度衰减和高光的基本光照模型、RGB颜色考虑、其他颜色表示、亮度；透明表面——半透明材料、
光折射、基本的透明模型；雾气效果；阴影；照相机参数；光强度显示——分配系统强度等级、gamma校正与视频查找表、显示连续色调的图像；半色调模式和抖动技术——半色调近似、抖动技术；多边形绘制算法——恒定强度的明暗处理、Gouraud明暗处理、Phong明暗处理、快速Phong明暗处理、OpenGL光照和表面绘制函数 ——OpenGL点光源函数
、指定一个OpenGL光源位置和类型、指定OpenGL光源颜色、指定OpenGL光源的辐射强度衰减系数、OpenGL方向光源(投射光源)、OpenGL全局光照参数、OpenGL表面特性函数、OpenGL光照模型、OpenGL雾气效果、OpenGL透明性函数、OpenGL表面绘制函数、OpenGL半色调操作
18. 纹理与表面细节添加方法
用多边形模拟表面细节、纹理映射——线性纹理图案、表面纹理图案、体纹理图案、纹理缩减图案、过程式纹理映射方法；凹凸映射；帧映射；OpenGL纹理函数——线纹理函数、表面纹理函数、体纹理函数、纹理图案的颜色选项、纹理映射选项、纹理环绕、复制帧缓存中的OpenGL纹理图案、OpenGL纹理坐标数组、OpenGL纹理图案命名、OpenGL纹理子图案、OpenGL纹理缩减图案、OpenGL纹理边界、 OpenGL代理纹理、 二次曲面的自动纹理映射、齐次纹理坐标、 其他的OpenGL纹理选项
19. 颜色模型和颜色应用
光的特性——电磁频谱、颜色的心理学特征；颜色模型——基色、直观的颜色概念；标准基色和色度图——XYZ颜色模型、规范化的XYZ值、CIE色度图、颜色范围、互补色、主波长、纯度；RGB颜色模型；YIQ颜色模型——YIQ参数、RGB颜色空间和YIQ颜色空间之间的转换、YUV和YCrCb系统；CMY和CMYK颜色模型——CMY参、CMY颜色空间和RGB颜色空间之间的转换；HSV颜色模型——HSV参数、选择明暗、 色泽和色调、HSV和RGB模型之间的转换；HLS颜色模型；颜色选择及其应用
20. 图形用户界面和交互输入方法
图形数据的输入；输入设备的逻辑分类； 图形数据的输入功能 ；交互式构图技术；虚拟现实环境；OpenGL支持交互式输入设备的函数 ；OpenGL的菜单功能； 图形用户界面的设计
21. 全局光照
光线跟踪方法；辐射度光照模型；环境映射；光子映射
22. 可编程着色器
着色语言的发展历史——Cook着色树、 Perlin像素流编辑器、RenderMan；OpenGL渲染流水线、固定功能流水线、改变流水线结构、顶点着色器、片元着色器、几何着色器、曲面细分着色器；OpenGL着色语言、着色器结构、在OpenGL中使用着色器、基本数据类型、矢量、矩阵、结构和数组、控制结构、GLSL函数、与OpenGL的通信；着色器效果
、一个Phong着色器、纹理映射、 凹凸映射
23. 基于算法的建模
分形几何方法、分形生成过程、分形分类、分形的维数、确定性自相似分形几何构造、统计自相似分形的几何构造、仿射分形构造方法、随机中点位移方法、地面图控制、自平方分形
、自逆分形；粒子系统；形状语法和其他过程方法
24. 数据集可视化
标量场的可视化表示；向量场的可视表示；张量场的可视表示；多变量数据场的可视表示
************************************************************************
五、知识图谱
1．知识图谱概述
什么是知识图谱；知识图谱的发展历史 ；知识图谱的价值；国内外典型的知识图谱项目——早期的知识库项目、互联网时代的知识图谱、中文开放知识图谱、垂直领域知识图谱、知识图谱的技术流程、知识图谱的相关技术、知识图谱与数据库系统、知识图谱与智能问答、知识图谱与机器推理、知识图谱与推荐系统、区块链与去中心化的知识图谱
2．知识图谱表示与建模
什么是知识表示；人工智能早期的知识表示方法——一阶谓词逻辑、霍恩子句和霍恩逻辑 、语义网络、框架、描述逻辑；互联网时代的语义网知识表示框架——RDF和RDFS、 OWL和OWL2 Fragments、知识图谱查询语言的表示、语义Markup表示语言 ；常见开放域知识图谱的知识表示方法——Freebase、Wikidata、ConceptNet5；知识图谱的向量表示方法 ——知识图谱表示的挑战、词的向量表示方法、知识图谱嵌入的概念、知识图谱嵌入的优点 、知识图谱嵌入的主要方法、知识图谱嵌入的应用；开源工具实践：基于Protégé的本体知识建模——简介、环境准备、Protégé实践主要功能演示
3．知识存储
知识图谱数据库基本知识——知识图谱数据模型 、知识图谱查询语言；常见知识图谱存储方法——基于关系数据库的存储方案、面向RDF的三元组数据库、原生图数据库、知识图谱数据库比较；知识存储关键技术——知识图谱数据库的存储：以Neo4j为例、知识图谱数据库的索引；开源工具实践——三元组数据库Apache Jena、面向RDF的三元组数据库gStore
4．知识抽取与知识挖掘
知识抽取任务及相关竞赛——知识抽取任务定义、知识抽取相关竞赛；面向非结构化数据的知识抽取——实体抽取、关系抽取、事件抽取；面向结构化数据的知识抽取——直接映射 、R2RML、相关工具；面向半结构化数据的知识抽取 、面向百科类数据的知识抽取、面向Web网页的知识抽取；知识挖掘——知识内容挖掘：实体链接、知识结构挖掘：规则挖掘；开源工具实践：基于DeepDive的关系抽取实践——开源工具的技术架构、其他类似工具
5．知识图谱融合
什么是知识图谱融合；知识图谱中的异构问题——语言层不匹配、模型层不匹配；本体概念层的融合方法与技术——本体映射与本体集成、本体映射分类、本体映射方法和工具、本体映射管理、本体映射应用；实例层的融合与匹配——知识图谱中的实例匹配问题分析、基于快速相似度计算的实例匹配方法、基于规则的实例匹配方法、基于分治的实例匹配方法、基于学习的实例匹配方法、实例匹配中的分布式并行处理 ；开源工具实践：实体关系发现框架LIMES——简介、开源工具的技术架构、其他类似工具
6．知识图谱推理
推理概述——什么是推理、面向知识图谱的推理；基于演绎的知识图谱推理——本体推理 、基于逻辑编程的推理方法、基于查询重写的方法、基于产生式规则的方法；基于归纳的知识图谱推理——基于图结构的推理、基于规则学习的推理、基于表示学习的推理；知识图谱推理新进展——时序预测推理、基于强化学习的知识图谱推理、基于元学习的少样本知识图谱推理、图神经网络与知识图谱推理；开源工具实践：基于Jena和Drools的知识推理实践——开源工具简介、开源工具的技术架构、开发软件版本及其下载地址、基于Jena的知识推理实践、基于Drools的知识推理实践
7．语义搜索
语义搜索简介、结构化的查询语言——数据查询 、数据插入、数据删除；语义数据搜索；语义搜索的交互范式——基于关键词的知识图谱语义搜索方法、基于分面的知识图谱语义搜索、基于表示学习的知识图谱语义搜索；开源工具实践——功能介绍、环境搭建及数据准备 、数据准备、导入Elasticsearch、功能实现、执行查询
8．知识问答
知识问答概述——知识问答的基本要素、知识问答的相关工作、知识问答应用场景；知识问答的分类体系、问题类型与答案类型、知识库类型、智能体类型；知识问答系统——NLIDB：早期的问答系统、IRQA：基于信息检索的问答系统、KBQA：基于知识库的问答系统、CommunityQA/FAQ-QA：基于问答对匹配的问答系统、Hybrid QA Framework 混合问答系统框架；知识问答的评价方法、问答系统的评价指标、问答系统的评价数据集；KBQA前沿技术——KBQA面临的挑战、基于模板的方法、基于语义解析的方法、基于深度学习的传统问答模块优化、基于深度学习的端到端问答模型 ；开源工具实践 ——使用Elasticsearch搭建简单知识问答系统、基于gAnswer构建中英文知识问答系统
9．知识图谱应用案例
领域知识图谱构建的技术流程——领域知识建模、知识存储、知识抽取、知识融合、知识计算、知识应用；领域知识图谱构建的基本方法——自顶向下的构建方法、自底向上的构建方法；领域知识图谱的应用案例——电商知识图谱的构建与应用、图情知识图谱的构建与应用 、生活娱乐知识图谱的构建与应用：以美团为例、企业商业知识图谱的构建与应用、创投知识图谱的构建与应用、中医临床领域知识图谱的构建与应用、金融证券行业知识图谱应用实践
***************************************************************************
六、数据科学
1．导论
数据科学的发展历史；数据科学研究的主要问题；数据科学的主要方法；R语言的优势 7
2．数据
数据对象与属性类型——什么是属性、标称属性、二元属性、序数属性、数值属性、离散属性与连续属性；数据的基本统计描述、中心趋势度量：均值、中位数和众数、度量数据散布：极差——四分位数、方差、标准差和四分位数极差、数据的基本统计描述的图形显示
数据的读入——直接输入数据、读入R包中的数据、从外部文件读入数据、批量读入数据、R语言读取文件的几个常错的问题；写出数据；
3．数据挖掘
数据库数据、数据仓库、事务数据；可以挖掘什么类型的模式——类/概念描述：特征化与区分、挖掘频繁模式、关联和相关性、用于预测分析的分类与回归、聚类分析、离群点分析、所有模式都是有趣的吗；使用什么技术——统计学、机器学习、数据库系统与数据仓库、信息检索；面向什么类型的应用——商务智能、Web搜索引擎；数据挖掘的主要问题——挖掘方法、用户界面、有效性和可伸缩性、数据库类型的多样性、数据挖掘与社会
3．数据清洗与预处理
数据分类；数据清洗——处理缺失数据、处理噪声数据；数据变换；R语言实现——数据集的基本操作、数据集间的操作、连接数据库数据；；数据质量：为什么要对数据预处理、数据预处理的主要任务；数据清理——缺失值、噪声数据；数据集成——实体识别问题、冗余和相关分析、元组重复、数据值冲突的检测与处理；数据归约——数据归约策略概述、小波变换、主成分分析、属性子集选择、回归和对数线性模型：参数化数据归约、直方图、聚类、抽样、数据立方体聚集；数据变换与数据离散化——数据变换策略概述、通过规范化变换数据、通过分箱离散化、通过直方图分析离散化、通过聚类、决策树和相关分析离散化、标称数据的概念分层产生
4．数据仓库与联机分析处理
数据仓库：基本概念——什么是数据仓库、操作数据库系统与数据仓库的区别、为什么需要分离的数据仓库、数据仓库：一种多层体系结构、数据仓库模型：企业仓库、数据集市和虚拟仓库、数据提取、变换和装入、元数据库；数据仓库建模：数据立方体与OLAP——数据立方体：一种多维数据模型、星形、雪花形和事实星座：多维数据模型的模式、维：概念分层的作用、度量的分类和计算、典型的OLAP操作、查询多维数据库的星网查询模型；数据仓库的设计与使用——数据仓库的设计的商务分析框架、数据仓库的设计过程、数据仓库用于信息处理、从联机分析处理到多维数据挖掘；数据仓库的实现——数据立方体的有效计算：概述、索引OLAP数据：位图索引和连接索引、OLAP查询的有效处理、OLAP服务器结构：ROLAP、MOLAP、HOLAP的比较；数据泛化：面向属性的归纳——数据特征的面向属性的归纳、面向属性归纳的有效实现、类比较的面向属性归纳
4．数据可视化
基于像素的可视化技术、几何投影可视化技术、基于图符的可视化技术、层次可视化技术、可视化复杂对象和关系；度量数据的相似性和相异性、数据矩阵与相异性矩阵、标称属性的邻近性度量、二元属性的邻近性度量、数值属性的相异性：闵可夫斯基距离、序数属性的邻近性度量、混合类型属性的相异性、余弦相似性；高阶绘图工具ggplot2、快速绘图、使用图层构建图像、分面；ECharts2
5．数据立方体技术
数据立方体计算：基本概念——立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳、数据立方体计算的一般策略；数据立方体计算方法——完全立方体计算的多路数组聚集、BUC：从顶点方体向下计算冰山立方体、Star-Cubing：使用动态星树结构计算冰山立方体、为快速高维OLAP预计算壳片段；使用探索立方体技术处理高级查询——抽样立方体：样本数据上基于OLAP的挖掘、排序立方体：top-k查询的有效计算；数据立方体空间的多维数据分析、预测立方体：立方体空间的预测挖掘、多特征立方体：多粒度上的复杂聚集、基于异常的、发现驱动的立方体空间探查
6．挖掘频繁模式、关联和相关性：基本概念和方法
基本概念、购物篮分析：一个诱发例子、频繁项集、闭项集和关联规则；频繁项集挖掘方法——Apriori算法：通过限制候选产生发现频繁项集、由频繁项集产生关联规则、提高Apriori算法的效率、挖掘频繁项集的模式增长方法、使用垂直数据格式挖掘频繁项集、挖掘闭模式和极大模式；哪些模式是有趣的：模式评估方法——强规则不一定是有趣的、从关联分析到相关分析、模式评估度量比较
7．高级模式挖掘
模式挖掘：一个路线图——多层、多维空间中的模式挖掘、挖掘多层关联规则、挖掘多维关联规则、挖掘量化关联规则、挖掘稀有模式和负模式、基于约束的频繁模式挖掘、关联规则的元规则制导挖掘、基于约束的模式产生：模式空间剪枝和数据空间剪枝、挖掘高维数据和巨型模式；挖掘压缩或近似模式、通过模式聚类挖掘压缩模式、提取感知冗余的top-k模式；
模式探索与应用——频繁模式的语义注解、模式挖掘的应用
5．线性回归
问题的提出；一元线性回归——一元线性回归概述、一元线性回归的参数估计、一元线性回归模型的检验、一元线性回归的预测；多元线性回归分析——多元线性回归模型及假定、参数估计、模型检验、预测；R语言实现 、一元线性回归、多元线性回归
6．线性分类
什么是分类、分类的一般方法；决策树归纳——决策树归纳、属性选择度量、树剪枝、可伸缩性与决策树归纳、决策树归纳的可视化挖掘；贝叶斯分类方法——贝叶斯定理、朴素贝叶斯分类；基于规则的分类——使用IF-THEN规则分类、由决策树提取规则、使用顺序覆盖算法的规则归纳；模型评估与选择——评估分类器性能的度量、保持方法和随机二次抽样、交叉验证、自助法、使用统计显著性检验选择模型、基于成本效益和ROC曲线比较分类器；提高分类准确率的技术——组合分类方法简介、装袋、提升和AdaBoost、随机森林、提高类不平衡数据的分类准确率；Logistic模型——线性概率模型、Probit模型、 Logit模型原理、边际效应分析 、最大似然估计（MLE）、似然比检验 ；判别分析——Naive Bayes判别分析、线性判别分析、二次判别分析；分类问题评价准则；R语言实现——描述统计、Logistic模型、判别分析、模型比较
7．高级分类
分类：高级方法；贝叶斯信念网络——概念和机制、训练贝叶斯信念网络；用后向传播分类——多层前馈神经网络、定义网络拓扑、后向传播、黑盒内部：后向传播和可解释性；支持向量机、数据线性可分的情况、数据非线性可分的情况；使用频繁模式分类——关联分类、基于有区别力的频繁模式分类；惰性学习法(或从近邻学习）、k-最近邻分类、基于案例的推理；其他分类方法——遗传算法、粗糙集方法、模糊集方法；关于分类的其他问题——多类分类、半监督分类、主动学习、迁移学习
7．重抽样
基本概念——训练误差和测试误差、偏差和方差；交叉验证法——验证集方法 、留一交叉验证法、 K折交叉验证法；自助法；R语言实现——验证集方法、留一交叉验证法、K折交叉验证法、自助法
8．模型选择与正则化
子集选择法——最优子集法、逐步选择法、模型选择；基于压缩估计的逐个变量选择、LASSO惩罚、 SCAD惩罚、MCP惩罚 、调整参数选择；基于压缩估计的组变量选择 ——自然分组结构、人为分组结构；基于压缩估计的双层变量选择——复合函数型双层选择、稀疏组惩罚型双层选择、R语言实现——子集选择法、模型选择、组模型选择、双层模型选择
9．决策树与组合学习
决策树——基本概念、分类树、回归树、树的优缺点；Bagging——基本算法、袋外误差估计、变量重要性的度量；随机森林；提升法—— Adaboost算法、GBDT算法、XGBoost算法；R语言实现——数据介绍、描述性统计、分类树、Bagging 、随机森林、Boosting
10．支持向量机
最大间隔分类器——使用分割超平面分类、构建最大间隔分类器、线性不可分的情况；支持向量分类器、使用软间隔分类、构建支持向量分类器；支持向量机 ——使用非线性决策边界分类、构建支持向量机；与Logistic回归的关系；支持向量回归；R语言实现——支持向量分类器 、支持向量机、Auto数据集
11．神经网络
神经网络的基本概念——神经网络的基本单元、神经网络的结构、神经网络的学习；神经网络模型——单神经元感知器、单层感知器、BP神经网络、Rprop神经网络；R语言实现——nnet程序包、neuralnet程序包、应用案例1：利用nnet程序包分析纸币鉴别数据、应用案例2：利用neuralnet程序包分析白葡萄酒的品质
12．无监督学习
聚类分析——什么是聚类分析、对聚类分析的要求、基本聚类方法概述；划分方法——k-均值：一种基于形心的技术、k-中心点：一种基于代表对象的技术；层次方法——凝聚的与分裂的层次聚类、算法方法的距离度量、BIRCH：使用聚类特征树的多阶段聚类、Chameleon：使用动态建模的多阶段层次聚类、概率层次聚类；基于密度的方法——DBSCAN：一种基于高密度连通区域的基于密度的聚类、OPTICS：通过点排序识别聚类结构、DENCLUE：基于密度分布函数的聚类；基于网格的方法——STING：统计信息网格、CLIQUE：一种类似于Apriori的子空间聚类方法；聚类评估——估计聚类趋势、确定簇数、测定聚类质量；基于概率模型的聚类——模糊簇、基于概率模型的聚类、期望最大化算法；聚类高维数据——聚类高维数据：问题、挑战和主要方法、子空间聚类方法、双聚类、维归约方法和谱聚类；聚类图和网络数据——应用与挑战、相似性度量、图聚类方法；具有约束的聚类——约束的分类、具有约束的聚类方法 聚类分析——相异度、K-means聚类、系统聚类法；主成分分析——主成分分析的几何意义、主成分的数学推导、主成分回归、主成分分析的其他方面；因子分析、因子分析的数学模型、因子载荷阵的统计意义、因子分析的其他方面；典型相关分析——典型相关分析原理、典型相关系数的显著性检验、典型相关分析的步骤；R语言实现——聚类分析：移动通信用户细分、主成分分析：农村居民消费水平评价、因子分析：市场调查、典型相关分析：职业满意度与职业特性的关系；推荐算法——关联规则 、基本概念、基本分类、基本方法；协同过滤算法——基于邻居的协同过滤算法、基于模型的协同过滤算法；R语言实现 ——关联规则、协同过滤算法
14．文本挖掘
文本挖掘基本流程——文本数据获取、文本特征表示、文本的特征选择、信息挖掘与主题模型；R语言实现、JSS_papers数据集、拓展案例：房地产网络舆情分析
15．社交网络分析
网络的基本概念；网络特征的描述性分析——节点度 、节点中心性、网络的凝聚性特征、分割；网络图的统计模型 ——经典随机图模型、广义随机图模型、指数随机图模型、网络块模型；关联网络推断 ——相关网络、偏相关网络、高斯图模型网络、Graphic Lasso模型；二值型网络模型；R语言实现、网络的基本操作、“豆瓣关注网络”和“豆瓣朋友网络”特征分析、关联网络推断
16．并行计算
提高R语言的计算速度、R语言的并行计算、HPC多线程并行计算
12．离群点检测
离群点和离群点分析——什么是离群点、离群点的类型、离群点检测的挑战；离群点检测方法——监督、半监督和无监督方法、统计方法、基于邻近性的方法和基于聚类的方法；统计学方法——参数方法、非参数方法；基于邻近性的方法——基于距离的离群点检测和嵌套循环方法——基于网格的方法、基于密度的离群点检测；基于聚类的方法；基于分类的方法；挖掘情境离群点和集体离群点——把情境离群点检测转换成传统的离群点检测、关于情境对正常行为建模、挖掘集体离群点；高维数据中的离群点检测——扩充的传统离群点检测、发现子空间中的离群点、高维离群点建模
13．数据挖掘的发展趋势和研究前沿
挖掘复杂的数据类型——挖掘序列数据：时间序列、符号序列和生物学序列、挖掘图和网络、挖掘其他类型的数据；数据挖掘的其他方法——统计学数据挖掘、关于数据挖掘基础的观点、可视和听觉数据挖掘；数据挖掘应用——金融数据分析的数据挖掘、零售和电信业的数据挖掘、科学与工程数据挖掘、入侵检测和预防数据挖掘、数据挖掘与推荐系统；数据挖掘与社会——普适的和无形的数据挖掘、数据挖掘的隐私、安全和社会影响；数据挖掘的发展趋势
******************************************************************************
七、数据可视化
1．数据可视化简介
可视化释义；可视化简史；数据可视化详解——数据科学的发展、数据可视化的意义、数据可视化分类、数据可视化与其他学科领域的关系；数据可视化研究挑战
2．视觉感知与认知
视觉感知和认知；视觉感知和认知的定义、视觉感知处理过程、格式塔理论、相关实验；颜色——颜色刺激理论、色彩空间；视觉编码原则——相对判断和视觉假象、标记和视觉通道 、视觉通道的概念、视觉通道的特性
3．数据
数据基础——数据分类、数据集 、数据相似度与密度；数据获取、清洗和预处理——数据获取 、数据清洗、数据精简、其他常用的数据预处理步骤；数据组织与管理——数据整合与集成、数据库与数据仓库；数据分析与挖掘、探索式数据分析、联机分析处理、数据挖掘 ；数据科学与可视化、数据工作流、可视数据挖掘；数据科学的挑战
4．数据可视化基础
数据可视化基本框架——数据可视化流程、数据可视化设计；可视化中的数据——数据认知 、数据类型；可视化的基本图表——原始数据绘图、简单统计值标绘、多视图协调关联；可视化设计原则——数据到可视化的直观映射、视图选择与交互设计、信息密度――数据的筛选 、美学因素、动画与过渡、可视化隐喻、颜色与透明度；可视化理论发展——图形符号学、关系数据的图形表示、图形语法、基于数据类型的研究、基于数据状态模型的研究、多维关系数据库可视化分析系统
时空数据篇
5．空间标量场可视化
一维标量场可视化；二维标量场可视化——颜色映射、等值线、高度图 ；三维标量场数据可视化——空间数据表达、空间数据特征计算、间接体绘制、规则三维标量场的直接体可视化、不规则体数据的体可视化
6．大规模多变量空间数据场可视化
大规模空间标量场数据的实时可视化——大规模空间标量场数据的单机绘制、大规模空间标量场数据的并行绘制 、时变空间标量场数据加速绘制方法；时变异构空间数据场的特征追踪与可视化——时变空间标量场数据的特征提取、异构数据的特征融合、时变空间标量场数据的特征追踪；空间向量场数据可视化、图标法、几何法、纹理法、拓扑法；空间张量场数据可视化——张量场的数学描述 、基于几何的方法、基于纹理的方法、基于拓扑的方法、高阶张量场可视化；多变量空间数据场可视化——多变量空间数据场的特征表达与关联分析 、多变量空间数据场的可视化与交互
7．时变数据可视化
时间属性的可视化——线性和周期时间可视化、日历时间可视化、分支和多角度时间可视化 、时间属性的动态可视化；多变量时变型数据可视化——基于线表示的可视化、基于图结构的可视化、时间序列数据的可视化交互；流数据可视化——流数据可视化模型、流数据处理技术、流数据可视化案例、并行流计算框架
非时空数据篇
8．层次和网络数据可视化
层次数据——层次数据的可视化、节点- 链接法、空间填充法、其他方法；网络数据——网络和图、网络数据可视化、网络数据的地图隐喻可视化、超图及其可视化、动态网络数据可视化、图可视化的视觉效果 、图可视化中的交互、网络数据可视化的挑战
9．文本和文档可视化
文本可视化释义——文本信息的层级、文本可视化的研究内容与任务、文本可视化流程；文本信息分析基础——分词技术和词干提取、数据模型；文本内容可视化——基于关键词的文本内容可视化、时序性的文本内容可视化、文本特征的分布模式可视化、文档信息检索可视化 、软件可视化；文本关系可视化——文档相似性可视化、文本内容关联可视化、文档集合关系可视化；文件情感分析可视化——顾客评价可视化、情感变化可视化、情感差异可视化
10．跨媒体数据可视化
图像——图像网格、基于时空采样的图像集可视化、基于相似性的图像集可视化、基于海塞图的社交图像可视化、基于故事线的社交图像可视化；视频——视频摘要、视频抽象；声音与音乐——声乐波形可视化、声乐结构的可视化；超媒体——社交媒体可视化、社交网络可视化；数字生活可视化
11．复杂高维多元数据的可视化
高维多元数据——空间映射法、图标法、基于像素图的方法、基于动画的方法；非结构化与异构数据的可视化——非结构化数据、异构数据；大尺度数据的可视化——基于并行的大尺度数据高分辨率可视化、大尺度数据的分而治之可视化与分析；数据不确定性的可视化——不确定性的基本定义、不确定性的来源、不确定性的可视化方法
用 户 篇
12．可视化中的交互
交互准则——交互延时、交互成本 、交互场景变化；交互分类——按低阶交互操作分类、按交互操作符与空间分类、按交互任务分类；交互技术——选择、导航、重配、编码、抽象/ 具象、过滤、关联、概览 细节、焦点 上下文；交互与硬件设备——交互环境、交互设备
13．可视化效果评测与用户实验
评测流程；评测方法——用户实验、专家评估、案例研究、指标评估、众包、标注；用户实验——确定实验目标、准备实验、进行实验、分析结果并讨论、评测案例分析
14．面向领域的数据可视化
高性能科学计算——高性能科学可视化的挑战、重要信息的提取和显示、原位可视化、未来挑战；生命科学——临床医学影像、其他影像、电生理信号、OMICS 组学、深度学习；其他科学与艺术——气候学与气象中的可视化、面向艺术的表意性可视化；网络与系统安全的可视化——基于可视变换的虫洞攻击可视化、可信计算的可视化、安全日志数据的可视化 、智能电网数据的可视化；商业智能可视化——商业智能、商业智能中的数据可视化、云端商业智能、未来趋势；金融数据可视化——金融数据来源、金融数据分析的自动化方法、金融数据可视化方法、金融数据可视分析
15．可视化研究与开发资源
可视化软件——医学可视化软件、科学可视化软件、信息可视化软件、可视分析软件；可视化开发工具——应用程序开发工具、Web 应用开发工具；数据分析和数据挖掘软件与开发工具；可视化数据集资源 ；可视化信息资源；海外可视化研究机构
*************************************************************************
参考资料：
1. 《计算机视觉：算法与应用 [Computer Vision：Algorithms and Applications]》，Richard，Szeliski，艾海舟 著，艾海舟，兴军亮 等译
2. 《视觉计算基础：计算机视觉、图形学和图像处理的核心概念》 [美] 阿娣提·玛珠德（Aditi Majumder） 著
3. 《计算机视觉：模型、学习和推理 [Computer Vision Models，Learning，and Inference]》 [英] 西蒙，J.D.，普林斯 著，苗启广，刘凯，孔韦韦 等 译
4. 计算机视觉――一种现代方法（第二版）[美] David，A.，Forsyth（D.，A.，福赛斯） ... 著，高永强 等译
5. 《计算机视觉》，刘绍辉，姜峰 著
6. 《OpenCV 4计算机视觉项目实战（原书第2版）》，[西班牙] 大卫·米兰·埃斯克里瓦（David，Millán，Escrivá） 著，冀臻 译
7. 《图像处理、分析与机器视觉·第4版》Milan Sonka，Vaclav Hlavac，Roger Boyle 著
8. 《图像处理、分析与机器视觉》，杨高科编著
9. 《计算机图形学（第4版）》 [Computer Graphics with OpenGL Fourth Edition]Donald Hearn（D·赫恩） 等，M.Pauline Baker（M.P.巴克），Warren，R.Carithers（W.R.卡里瑟斯） 著，蔡士杰，杨若瑜 译
10. 《图像工程（第4版）》 章毓晋 著
11. 《计算机视觉八大任务全概述：PaddlePaddle工程师详解热门视觉模型》量子位
12. 《知识图谱：方法、实践与应用》 王昊奋，漆桂林，陈华钧 编
13. 《数据可视化（第2版）》陈为 等 著
14. 《数据挖掘 概念与技术（第3版）》，[美] Jiawei Han，[美] Micheling Kamber，[美] Jian Pei 等 著，范明，孟小峰 译
15. 《数据科学》方匡南 著
************************************************************************
