中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進(jìn)數(shù)學(xué)世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當(dāng)代中國政府與政治(新編21世紀(jì)公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
模式識別與機(jī)器學(xué)習(xí) 版權(quán)信息
- ISBN：9787121457104
- 條形碼：9787121457104 ; 978-7-121-45710-4
- 裝幀：平塑
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
模式識別與機(jī)器學(xué)習(xí) 本書特色
模式識別基礎(chǔ)重視基礎(chǔ)理論和經(jīng)典方法的介紹，又兼顧前沿知識和*新模型的融入，力圖反映該領(lǐng)域的核心知識體系和新發(fā)展趨勢；每章的內(nèi)容盡可能做到豐富完整，并附有習(xí)題或上機(jī)實(shí)踐題，便于讀者鞏固所學(xué)的知識。
模式識別與機(jī)器學(xué)習(xí) 內(nèi)容簡介
模式識別是指對表征事物或現(xiàn)象的各種形式的信息進(jìn)行處理和分析，以對事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程；機(jī)器學(xué)習(xí)是指機(jī)器通過統(tǒng)計(jì)學(xué)算法，對大量歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，進(jìn)而利用生成的經(jīng)驗(yàn)?zāi)Ｐ椭笇?dǎo)業(yè)務(wù)的過程。本書介紹模式識別和機(jī)器學(xué)習(xí)技術(shù)的主要方面，包括貝葉斯統(tǒng)計(jì)決策、概率密度函數(shù)的估計(jì)、線性分類與回歸模型、其他分類方法、無監(jiān)督學(xué)習(xí)和聚類、核方法和支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)、特征選擇與提取等。本書既重視基礎(chǔ)理論和經(jīng)典方法的介紹，又兼顧前沿知識和近期新模型的融入，力圖反映該領(lǐng)域的核心知識體系和新發(fā)展趨勢；每章的內(nèi)容盡可能做到豐富完整，并附有習(xí)題或上機(jī)實(shí)踐題，便于讀者鞏固所學(xué)的知識。本書可作為計(jì)算機(jī)科學(xué)領(lǐng)域機(jī)器學(xué)習(xí)和模式識別專業(yè)方向高年級本科生和研究生的教材，也可供相關(guān)技術(shù)人員參考。
模式識別與機(jī)器學(xué)習(xí) 目錄
第1章 緒論 1
1.1 引言 1
1.2 模式識別的基本概念 3
1.2.1 模式和模式識別 3
1.2.2 模式空間、特征空間和類空間 5
1.2.3 預(yù)處理 7
1.2.4 特征提取/選擇 7
1.2.5 分類 7
1.3 模式識別系統(tǒng) 8
1.4 機(jī)器學(xué)習(xí)的主要方法 9
1.4.1 監(jiān)督學(xué)習(xí) 9
1.4.2 無監(jiān)督學(xué)習(xí) 10
1.4.3 半監(jiān)督學(xué)習(xí) 11
1.4.4 集成學(xué)習(xí) 11
1.4.5 強(qiáng)化學(xué)習(xí) 12
1.5 概率分布 12
1.5.1 隨機(jī)變量及分布 13
1.5.2 隨機(jī)向量及分布 16
1.5.3 邊際分布 18
1.5.4 條件概率分布 18
1.6 習(xí)題 19
第2章 貝葉斯統(tǒng)計(jì)決策 20
2.1 引言 20
2.2 小錯(cuò)誤率判別規(guī)則 22
2.3 小風(fēng)險(xiǎn)判別規(guī)則 24
2.4 似然比判別規(guī)則 27
2.5 Neyman-Pearson判別規(guī)則 30
2.6 小判別規(guī)則 33
2.7 分類器設(shè)計(jì) 37
2.8 正態(tài)分布中的貝葉斯分類方法 41
2.9 小結(jié) 50
習(xí)題 50
第3章 概率密度函數(shù)的估計(jì) 52
3.1 引言 52
3.2 似然估計(jì) 52
3.2.1 似然估計(jì)基礎(chǔ) 52
3.2.2 正態(tài)分布下的似然估計(jì) 54
3.3 貝葉斯估計(jì)與貝葉斯學(xué)習(xí) 56
3.3.1 貝葉斯估計(jì) 56
3.3.2 正態(tài)分布下的貝葉斯估計(jì) 57
3.3.3 貝葉斯學(xué)習(xí) 59
3.4 EM估計(jì)方法 61
3.4.1 EM算法 61
3.4.2 混合正態(tài)分布的EM估計(jì) 63
3.5 非參數(shù)估計(jì)方法 65
3.5.1 非參數(shù)估計(jì)的基本方法與限制條件 65
3.5.2 Parzen窗法 67
3.5.3 kN近鄰估計(jì)方法 72
3.6 小結(jié) 74
習(xí)題 74
第4章 線性分類與回歸模型 75
4.1 引言 75
4.2 線性判別函數(shù)和決策面 75
4.2.1 兩類情況 76
4.2.2 多類問題中的線性判別函數(shù) 76
4.2.3 設(shè)計(jì)線性分類器的主要步驟 81
4.3 廣義線性判別函數(shù) 83
4.4 小均方誤差判別 86
4.4.1 小均方和準(zhǔn)則 86
4.4.2 H-K算法 88
4.4.3 H-K算法的多類推廣 90
4.5 線性回歸模型 91
4.6 正則化線性回歸 92
4.7 小結(jié) 94
習(xí)題 94
第5章 其他分類方法 96
5.1 近鄰法 96
5.1.1 近鄰法 96
5.1.2 k近鄰法 96
5.2 邏輯斯蒂回歸 99
5.3 決策樹與隨機(jī)森林 102
5.3.1 非數(shù)值特征 102
5.3.2 決策樹 102
5.3.3 屬性選擇方法 104
5.3.4 過學(xué)習(xí)與決策樹的剪枝 107
5.3.5 隨機(jī)森林 108
5.4 小結(jié) 109
習(xí)題 109
第6章 無監(jiān)督學(xué)習(xí)和聚類 110
6.1 引言 110
6.2 混合模型的估計(jì) 110
6.2.1 無監(jiān)督似然估計(jì) 111
6.2.2 正態(tài)分布下的無監(jiān)督參數(shù)估計(jì) 112
6.3 動態(tài)聚類算法 115
6.3.1 均值聚類算法 116
6.3.2 ISODATA聚類算法 121
6.4 層次聚類算法 127
6.4.1 凝聚的層次聚類算法 127
6.4.2 分裂的層次聚類算法 128
6.5 譜聚類 130
6.6 模糊聚類方法 134
6.6.1 模糊集基本知識 134
6.6.2 模糊c均值算法 135
6.7 相似性傳播聚類 136
6.8 小結(jié) 138
習(xí)題 138
第7章 核方法和支持向量機(jī) 139
7.1 引言 139
7.2 核學(xué)習(xí)機(jī) 139
7.3 支持向量機(jī) 140
7.3.1 線性可分支持向量機(jī) 141
7.3.2 軟間隔線性支持向量機(jī) 144
7.3.3 非線性支持向量機(jī) 146
7.4 支持向量回歸機(jī) 147
7.5 小結(jié) 151
習(xí)題 151
第8章 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) 152
8.1 引言 152
8.2 感知器 153
8.2.1 感知器的概念 153
8.2.2 感知器訓(xùn)練算法及其收斂性 154
8.2.3 感知器準(zhǔn)則函數(shù)及梯度法 158
8.3 多層前向神經(jīng)網(wǎng)絡(luò) 162
8.3.1 多層前向神經(jīng)網(wǎng)絡(luò) 163
8.3.2 BP神經(jīng)網(wǎng)絡(luò) 165
8.3.3 RBF神經(jīng)網(wǎng)絡(luò) 170
8.4 自組織特征映射神經(jīng)網(wǎng)絡(luò) 176
8.4.1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 176
8.4.2 SOM神經(jīng)網(wǎng)絡(luò)算法 177
8.5 深度學(xué)習(xí) 179
8.5.1 堆棧式自編碼網(wǎng)絡(luò)（SAE） 179
8.5.2 深度置信網(wǎng)絡(luò)（DBN） 182
8.5.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 185
8.5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 191
8.5.5 生成對抗網(wǎng)絡(luò)（GAN） 194
8.5.6 擴(kuò)散模型 196
8.5.7 Transformer模型 197
8.6 小結(jié) 201
習(xí)題 204
第9章 特征選擇與提取 205
9.1 引言 205
9.2 特征選擇的一般流程 205
9.2.1 生成特征子集 205
9.2.2 評價(jià)準(zhǔn)則 207
9.2.3 停止條件和結(jié)果驗(yàn)證 209
9.3 特征選擇方法 209
9.3.1 過濾式特征選擇方法 210
9.3.2 封裝式特征選擇方法 214
9.3.3 嵌入式特征選擇方法 215
9.3.4 集成式特征選擇方法 215
9.4 線性特征提取方法 216
9.4.1 線性判別分析 216
9.4.2 主成分分析方法 217
9.5 非線性特征提取方法 219
9.5.1 核線性判別分析 219
9.5.2 核主成分分析 221
9.5.3 流形學(xué)習(xí) 222
9.6 小結(jié) 224
習(xí)題 225
參考文獻(xiàn) 226
1.1 引言 1
1.2 模式識別的基本概念 3
1.2.1 模式和模式識別 3
1.2.2 模式空間、特征空間和類空間 5
1.2.3 預(yù)處理 7
1.2.4 特征提取/選擇 7
1.2.5 分類 7
1.3 模式識別系統(tǒng) 8
1.4 機(jī)器學(xué)習(xí)的主要方法 9
1.4.1 監(jiān)督學(xué)習(xí) 9
1.4.2 無監(jiān)督學(xué)習(xí) 10
1.4.3 半監(jiān)督學(xué)習(xí) 11
1.4.4 集成學(xué)習(xí) 11
1.4.5 強(qiáng)化學(xué)習(xí) 12
1.5 概率分布 12
1.5.1 隨機(jī)變量及分布 13
1.5.2 隨機(jī)向量及分布 16
1.5.3 邊際分布 18
1.5.4 條件概率分布 18
1.6 習(xí)題 19
第2章 貝葉斯統(tǒng)計(jì)決策 20
2.1 引言 20
2.2 小錯(cuò)誤率判別規(guī)則 22
2.3 小風(fēng)險(xiǎn)判別規(guī)則 24
2.4 似然比判別規(guī)則 27
2.5 Neyman-Pearson判別規(guī)則 30
2.6 小判別規(guī)則 33
2.7 分類器設(shè)計(jì) 37
2.8 正態(tài)分布中的貝葉斯分類方法 41
2.9 小結(jié) 50
習(xí)題 50
第3章 概率密度函數(shù)的估計(jì) 52
3.1 引言 52
3.2 似然估計(jì) 52
3.2.1 似然估計(jì)基礎(chǔ) 52
3.2.2 正態(tài)分布下的似然估計(jì) 54
3.3 貝葉斯估計(jì)與貝葉斯學(xué)習(xí) 56
3.3.1 貝葉斯估計(jì) 56
3.3.2 正態(tài)分布下的貝葉斯估計(jì) 57
3.3.3 貝葉斯學(xué)習(xí) 59
3.4 EM估計(jì)方法 61
3.4.1 EM算法 61
3.4.2 混合正態(tài)分布的EM估計(jì) 63
3.5 非參數(shù)估計(jì)方法 65
3.5.1 非參數(shù)估計(jì)的基本方法與限制條件 65
3.5.2 Parzen窗法 67
3.5.3 kN近鄰估計(jì)方法 72
3.6 小結(jié) 74
習(xí)題 74
第4章 線性分類與回歸模型 75
4.1 引言 75
4.2 線性判別函數(shù)和決策面 75
4.2.1 兩類情況 76
4.2.2 多類問題中的線性判別函數(shù) 76
4.2.3 設(shè)計(jì)線性分類器的主要步驟 81
4.3 廣義線性判別函數(shù) 83
4.4 小均方誤差判別 86
4.4.1 小均方和準(zhǔn)則 86
4.4.2 H-K算法 88
4.4.3 H-K算法的多類推廣 90
4.5 線性回歸模型 91
4.6 正則化線性回歸 92
4.7 小結(jié) 94
習(xí)題 94
第5章 其他分類方法 96
5.1 近鄰法 96
5.1.1 近鄰法 96
5.1.2 k近鄰法 96
5.2 邏輯斯蒂回歸 99
5.3 決策樹與隨機(jī)森林 102
5.3.1 非數(shù)值特征 102
5.3.2 決策樹 102
5.3.3 屬性選擇方法 104
5.3.4 過學(xué)習(xí)與決策樹的剪枝 107
5.3.5 隨機(jī)森林 108
5.4 小結(jié) 109
習(xí)題 109
第6章 無監(jiān)督學(xué)習(xí)和聚類 110
6.1 引言 110
6.2 混合模型的估計(jì) 110
6.2.1 無監(jiān)督似然估計(jì) 111
6.2.2 正態(tài)分布下的無監(jiān)督參數(shù)估計(jì) 112
6.3 動態(tài)聚類算法 115
6.3.1 均值聚類算法 116
6.3.2 ISODATA聚類算法 121
6.4 層次聚類算法 127
6.4.1 凝聚的層次聚類算法 127
6.4.2 分裂的層次聚類算法 128
6.5 譜聚類 130
6.6 模糊聚類方法 134
6.6.1 模糊集基本知識 134
6.6.2 模糊c均值算法 135
6.7 相似性傳播聚類 136
6.8 小結(jié) 138
習(xí)題 138
第7章 核方法和支持向量機(jī) 139
7.1 引言 139
7.2 核學(xué)習(xí)機(jī) 139
7.3 支持向量機(jī) 140
7.3.1 線性可分支持向量機(jī) 141
7.3.2 軟間隔線性支持向量機(jī) 144
7.3.3 非線性支持向量機(jī) 146
7.4 支持向量回歸機(jī) 147
7.5 小結(jié) 151
習(xí)題 151
第8章 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) 152
8.1 引言 152
8.2 感知器 153
8.2.1 感知器的概念 153
8.2.2 感知器訓(xùn)練算法及其收斂性 154
8.2.3 感知器準(zhǔn)則函數(shù)及梯度法 158
8.3 多層前向神經(jīng)網(wǎng)絡(luò) 162
8.3.1 多層前向神經(jīng)網(wǎng)絡(luò) 163
8.3.2 BP神經(jīng)網(wǎng)絡(luò) 165
8.3.3 RBF神經(jīng)網(wǎng)絡(luò) 170
8.4 自組織特征映射神經(jīng)網(wǎng)絡(luò) 176
8.4.1 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 176
8.4.2 SOM神經(jīng)網(wǎng)絡(luò)算法 177
8.5 深度學(xué)習(xí) 179
8.5.1 堆棧式自編碼網(wǎng)絡(luò)（SAE） 179
8.5.2 深度置信網(wǎng)絡(luò)（DBN） 182
8.5.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 185
8.5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 191
8.5.5 生成對抗網(wǎng)絡(luò)（GAN） 194
8.5.6 擴(kuò)散模型 196
8.5.7 Transformer模型 197
8.6 小結(jié) 201
習(xí)題 204
第9章 特征選擇與提取 205
9.1 引言 205
9.2 特征選擇的一般流程 205
9.2.1 生成特征子集 205
9.2.2 評價(jià)準(zhǔn)則 207
9.2.3 停止條件和結(jié)果驗(yàn)證 209
9.3 特征選擇方法 209
9.3.1 過濾式特征選擇方法 210
9.3.2 封裝式特征選擇方法 214
9.3.3 嵌入式特征選擇方法 215
9.3.4 集成式特征選擇方法 215
9.4 線性特征提取方法 216
9.4.1 線性判別分析 216
9.4.2 主成分分析方法 217
9.5 非線性特征提取方法 219
9.5.1 核線性判別分析 219
9.5.2 核主成分分析 221
9.5.3 流形學(xué)習(xí) 222
9.6 小結(jié) 224
習(xí)題 225
參考文獻(xiàn) 226
展開全部
模式識別與機(jī)器學(xué)習(xí) 作者簡介
李映，西北工業(yè)大學(xué)教授，工學(xué)博士，碩士生導(dǎo)師。研究方向?yàn)檫b感圖像處理、數(shù)據(jù)挖掘、智能信息處理。主持包括國家自然科學(xué)基金、航空科學(xué)基金、陜西省自然科學(xué)基金、航天支撐基金項(xiàng)目等縱向項(xiàng)目和其它橫向項(xiàng)目十余項(xiàng)，在國內(nèi)外重要學(xué)術(shù)期刊上發(fā)表論文 100余篇，申請發(fā)明專利10余項(xiàng)，獲得授權(quán)發(fā)明專利6項(xiàng)。
書友推薦
- >
詩經(jīng)-先民的歌唱
- >
山海經(jīng)
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
伯納黛特,你要去哪(2021新版)
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
苦雨齋序跋文-周作人自編集
- >
龍榆生：詞曲概論/大家小書
- >
小考拉的故事-套裝共3冊
本類暢銷
