中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計(jì)算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
買過本商品的人還買了
模式識別 版權(quán)信息
- ISBN：9787302587750
- 條形碼：9787302587750 ; 978-7-302-58775-0
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
模式識別 本書特色
適讀人群 ：其他《模式識別（模式識別與機(jī)器學(xué)習(xí)（第4版））（新編《信息、控制與系統(tǒng)》系列教材）》是清華大學(xué)自動化系國家精品課程“模式識別基礎(chǔ)”的教材，跨度三十多年，歷經(jīng)四版、千錘百煉，整體內(nèi)容具有系統(tǒng)性和實(shí)用性，兼顧經(jīng)典內(nèi)容與學(xué)科研究前沿，是一本非常適合教學(xué)的經(jīng)典教材。
模式識別 內(nèi)容簡介
系統(tǒng)介紹模式識別的基本概念、理論體系、典型方法以及實(shí)際應(yīng)用實(shí)例，強(qiáng)調(diào)基礎(chǔ)性和實(shí)用性，同時兼顧學(xué)科發(fā)展的**動向，包括了各種典型方法在R和Matlab環(huán)境下的現(xiàn)有程序和應(yīng)用方法，并包括了對針對大數(shù)據(jù)應(yīng)用的模式識別方法的討論。
模式識別 目錄
第1章 概論
1.1 模式與模式識別
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(gòu)成
1.6 本書的主要內(nèi)容
第2章 統(tǒng)計(jì)決策方法
2.1 引言：一個簡單的例子
2.2 *小錯誤率貝葉斯決策
2.3 *小風(fēng)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(jì)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*小錯誤率貝葉斯決策
2.6 錯誤率的計(jì)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(jì)算
2.6.2 高維獨(dú)立隨機(jī)變量時錯誤率的估計(jì)
2.7 離散時間序列樣本的統(tǒng)計(jì)決策
2.7.1 基因組序列的例子
2.7.2 馬爾可夫模型及在馬爾可夫模型下的貝葉斯決策
2.7.3 隱馬爾可夫模型簡介
2.8 小結(jié)與討論
第3章 概率密度函數(shù)的估計(jì)
3.1 引言
3.2 *大似然估計(jì)
3.2.1 *大似然估計(jì)的基本原理
3.2.2 *大似然估計(jì)的求解
3.2.3 正態(tài)分布下的*大似然估計(jì)
3.3 貝葉斯估計(jì)與貝葉斯學(xué)習(xí)
3.3.1 貝葉斯估計(jì)
3.3.2 貝葉斯學(xué)習(xí)
3.3.3 正態(tài)分布時的貝葉斯估計(jì)
3.3.4 其他分布的情況
3.4 概率密度估計(jì)的非參數(shù)方法
3.4.1 非參數(shù)估計(jì)的基本原理與直方圖方法
3.4.2 kN近鄰估計(jì)方法
3.4.3 Parzen窗法
第4章 隱馬爾可夫模型與貝葉斯網(wǎng)絡(luò)
4.1 引言
4.2 貝葉斯網(wǎng)絡(luò)的基本概念
4.3 隱馬爾可夫模型（HMM）
4.3.1 HMM評估問題
4.3.2 HMM隱狀態(tài)推斷問題（解碼問題）
4.3.3 HMM學(xué)習(xí)問題
4.4 樸素貝葉斯分類器（Na??veBayes）
4.5 在貝葉斯網(wǎng)絡(luò)上的條件獨(dú)立性
4.6 貝葉斯網(wǎng)絡(luò)模型的學(xué)習(xí)
4.6.1 貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)
4.6.2 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
4.7 討論
第5章 線性學(xué)習(xí)機(jī)器與線性分類器
5.1 引言
5.2 線性回歸
5.3 線性判別函數(shù)的基本概念
5.4 Fisher線性判別分析
5.5 感知器
5.6 *小平方誤差判別
5.7 羅杰斯特回歸
5.8 *優(yōu)分類超平面與線性支持向量機(jī)
5.8.1 *優(yōu)分類超平面
5.8.2 大間隔與推廣能力
5.8.3 線性不可分情況
5.9 多類線性分類器
5.9.1 多個兩類分類器的組合
5.9.2 多類線性判別函數(shù)
5.9.3 多類羅杰斯特回歸與軟*大
5.10 討論
第6章 典型的非線性分類器
6.1 引言
6.2 分段線性判別函數(shù)
6.2.1 分段線性距離分類器
6.2.2 一般的分段線性判別函數(shù)
6.3 二次判別函數(shù)
6.4 多層感知器神經(jīng)網(wǎng)絡(luò)
6.4.1 神經(jīng)元與感知器
6.4.2 用多個感知器實(shí)現(xiàn)非線性分類
6.4.3 反向傳播算法
6.4.4 多層感知器網(wǎng)絡(luò)用于模式識別
6.4.5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇
6.4.6 前饋神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)模式識別方法的關(guān)系
6.4.7 人工神經(jīng)網(wǎng)絡(luò)的一般知識
6.5 支持向量機(jī)
6.5.1 廣義線性判別函數(shù)
6.5.2 核函數(shù)變換與支持向量機(jī)
6.5.3 支持向量機(jī)早期應(yīng)用舉例
6.5.4 支持向量機(jī)的實(shí)現(xiàn)算法
6.5.5 多類支持向量機(jī)
6.5.6 用于函數(shù)擬合的支持向量機(jī)--支持向量回歸
6.6 核函數(shù)機(jī)器
6.6.1 大間隔機(jī)器與核函數(shù)機(jī)器
6.6.2 核Fisher判別
6.6.3 中心支持向量機(jī)
6.7 討論
第7章 統(tǒng)計(jì)學(xué)習(xí)理論概要
7.1 引言
7.2 機(jī)器學(xué)習(xí)問題的提法
7.2.1 機(jī)器學(xué)習(xí)問題的函數(shù)估計(jì)表示
7.2.2 經(jīng)驗(yàn)風(fēng)險*小化原則及其存在的問題
7.3 學(xué)習(xí)過程的一致性
7.4 函數(shù)集的容量與VC維
7.5 推廣能力的界與結(jié)構(gòu)風(fēng)險*小化原則
7.6 支持向量機(jī)的理論分析
7.7 不適定問題和正則化方法簡介
7.7.1 不適定問題
7.7.2 正則化方法
7.7.3 常見的正則化方法
7.8 討論
第8章 非參數(shù)學(xué)習(xí)機(jī)器與集成學(xué)習(xí)
8.1 引言
8.2 近鄰法
8.2.1 *近鄰法
8.2.2 k?近鄰法
8.2.3 近鄰法的快速算法
8.2.4 剪輯近鄰法
8.2.5 壓縮近鄰法
8.3 決策樹與隨機(jī)森林
8.3.1 非數(shù)值特征的量化
8.3.2 決策樹
8.3.3 過學(xué)習(xí)與決策樹的剪枝
8.3.4 隨機(jī)森林
8.4 Boosting集成學(xué)習(xí)
8.5 討論
第9章 特征選擇
9.1 引言
9.2 用于分類的特征評價準(zhǔn)則
9.2.1 基于類內(nèi)類間距離的可分性判據(jù)
9.2.2 基于概率分布的可分性判據(jù)
9.2.3 基于熵的可分性判據(jù)
9.2.4 利用統(tǒng)計(jì)檢驗(yàn)作為可分性判據(jù)
9.3 特征選擇的*優(yōu)算法
9.4 特征選擇的次優(yōu)算法
9.5 遺傳算法
9.6 包裹法：以分類性能為準(zhǔn)則的特征選擇方法
9.7 討論
第10章 特征提取與降維表示
10.1 引言
10.2 基于類別可分性判據(jù)的特征提取
10.3 主成分分析
10.4 Karhunen?Loève變換
10.4.1 K?L變換
10.4.2 用于監(jiān)督模式識別的K?L變換
10.5 用“本征臉”作為人臉識別的特征
10.6 高維數(shù)據(jù)的低維可視化
10.7 多維尺度（MDS）法
10.7.1 MDS的基本概念
10.7.2 古典尺度法
10.7.3 度量型MDS
10.7.4 非度量型MDS
10.7.5 MDS在模式識別中的應(yīng)用舉例
10.8 非線性特征變換方法簡介
10.8.1 核主成分分析（KPCA）
10.8.2 IsoMap方法和LLE方法
10.9 t?SNE降維可視化方法
10.10 討論
第11章 非監(jiān)督學(xué)習(xí)與聚類
11.1 引言
11.2 基于模型的聚類方法
11.3 混合模型的估計(jì)
11.3.1 混合密度的*大似然估計(jì)
11.3.2 混合正態(tài)分布的參數(shù)估計(jì)
11.4 動態(tài)聚類算法
11.4.1 C均值算法（K均值算法）
11.4.2 ISODATA方法
11.4.3 基于核的動態(tài)聚類算法
11.5 模糊聚類方法
11.5.1 模糊集的基本知識
11.5.2 模糊C均值算法
11.5.3 改進(jìn)的模糊C均值算法
11.6 分級聚類方法
11.7 自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)
11.7.1 SOM網(wǎng)絡(luò)結(jié)構(gòu)
11.7.2 SOM學(xué)習(xí)算法和自組織特性
11.7.3 SOM網(wǎng)絡(luò)用于模式識別
11.8 一致聚類方法
11.9 討論
第12章 深度學(xué)習(xí)
12.1 引言
12.2 人工神經(jīng)網(wǎng)絡(luò)回顧
12.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
12.3.1 卷積層
12.3.2 匯集（池化）
12.3.3 深層卷積神經(jīng)網(wǎng)絡(luò)
12.3.4 卷積神經(jīng)網(wǎng)絡(luò)的演化和幾個代表性模型
12.3.5 卷積神經(jīng)網(wǎng)絡(luò)在非圖像數(shù)據(jù)上的應(yīng)用舉例
12.4 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
12.4.1 Hopfield神經(jīng)網(wǎng)絡(luò)
12.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
12.5 長短時記憶模型（LSTM）
12.6 自編碼器、限制性玻爾茲曼機(jī)與深度信念網(wǎng)絡(luò)
12.6.1 自編碼器
12.6.2 用多層自編碼器構(gòu)造深度神經(jīng)網(wǎng)絡(luò)
12.6.3 限制性玻爾茲曼機(jī)（RBM）
12.6.4 深度自編碼器與深度信念網(wǎng)絡(luò)（DBN）
12.7 生成模型
12.7.1 變分自編碼器（VAE）
12.7.2 生成對抗網(wǎng)絡(luò)（GAN）
12.8 綜合應(yīng)用舉例
12.8.1 中文病歷文本生成
12.8.2 人工基因調(diào)控元件的生成
12.9 深度學(xué)習(xí)算法中的部分常用技巧
12.10 討論
第13章 模式識別系統(tǒng)的評價
13.1 引言
13.2 監(jiān)督模式識別的錯誤率估計(jì)
13.2.1 訓(xùn)練錯誤率
13.2.2 測試錯誤率
13.2.3 交叉驗(yàn)證
13.2.4 自舉法與0.6 32估計(jì)
13.3 有限樣本下錯誤率的區(qū)間估計(jì)
13.3.1 問題的提出
13.3.2 用擾動重采樣估計(jì)SVM錯誤率的置信區(qū)間
13.4 特征提取與選擇對分類器性能估計(jì)的影響
13.5 用分類性能進(jìn)行關(guān)系推斷
13.6 非監(jiān)督模式識別系統(tǒng)性能的評價
13.6.1 聚類質(zhì)量的評價
13.6.2 聚類結(jié)果的比較
13.7 討論
第14章 常用模式識別與機(jī)器學(xué)習(xí)軟件平臺
14.1 引言
14.2 Python中的模式識別工具包
14.2.1 sklearn中的回歸方法使用舉例
14.2.2 sklearn中的分類方法使用舉例
14.2.3 Python下的深度學(xué)習(xí)編程舉例
14.2.4 國內(nèi)研發(fā)的深度學(xué)習(xí)平臺簡介
14.3 MATLAB中的模式識別工具包
14.3.1 MATLAB中的回歸方法使用舉例
14.3.2 MATLAB中的分類方法使用舉例
14.4 R中的模式識別工具包
14.4.1 R中的回歸方法使用舉例
14.4.2 R中的分類方法使用舉例
14.5 討論
第15章 討論：模式識別、機(jī)器學(xué)習(xí)與人工智能
15.1 模式識別
15.2 機(jī)器學(xué)習(xí)
15.3 多元分析
15.4 人工智能
15.5 展望
參考文獻(xiàn)
后記
索引
展開全部
模式識別 作者簡介
張學(xué)工，1989年畢業(yè)于清華大學(xué)，1994年獲得博士學(xué)位，現(xiàn)為清華大學(xué)自動化系教授，清華信息科學(xué)與技術(shù)國家實(shí)驗(yàn)室（籌）生物信息學(xué)研究部主任，主要研究方向是模式識別與機(jī)器學(xué)習(xí)、生物信息學(xué)與計(jì)算生物學(xué)。已經(jīng)在國內(nèi)外重要期刊發(fā)表論文200多篇，出版教材2部、譯著2部，曾獲國家科技進(jìn)步二等獎，2006年獲得國家杰出青年基金，2009年獲國家j教學(xué)成果一等獎，所開設(shè)的《模式識別基礎(chǔ)》課程2007年被評為國家精品課。
書友推薦
- >
朝聞道
- >
二體千字文
- >
小考拉的故事-套裝共3冊
- >
經(jīng)典常談
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
史學(xué)評論
- >
上帝之肋:男人的真實(shí)旅程
- >
龍榆生：詞曲概論/大家小書
本類暢銷
