掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式識別 版權信息
- ISBN：9787111771234
- 條形碼：9787111771234 ; 978-7-111-77123-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別 本書特色
本書遵循教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
模式識別 內容簡介
本書面向人工智能相關專業（智能科學與技術、控制科學與工程、計算機科學與技術）的本科生，以“從人工智能角度理解模式識別”和“用模式識別原理解決工程問題”為目標，將內容分為基礎知識、模式分類和模式聚類三大部分，突出簡明和實用的特點。書中穿插大量案例，可以幫助學生在掌握基本概念的基礎上理解基本原理，熟悉典型方法，做到“知其然，知其所以然”。本書注重引導學生充分利用樣本數據庫和算法庫等各種網絡資源，通過課程學習、案例計算和算法實現，分析來自生產和生活實際中的模式識別問題，采用合適的模式識別算法和技術，通過Python和MATLAB 編程構建自己的模式識別系統來解決這些問題，并能夠評估模式識別系統的性能和不足，理解不同模式識別算法的針對性和局限性，從而提高學生理論和實踐相結合、綜合運用所學知識解決具體模式識別問題的能力，培養學生深入學習更新、更先進的模式識別知識的興趣。
本書可作為普通高等院校自動化、人工智能、計算機相關專業的教材，也可作為從事人工智能和自動化系統開發應用人員的參考書。
模式識別模式識別 前言
前言
模式（Pattern）泛指蘊含在數據記錄中能夠體現事物或對象某種內在屬性的結構、特征、規律、趨勢或聯系，通常表現為某種重復出現的特定結構或形式。它可以是一系列事件或行為經常相伴發生或發展的方式，或者是一系列線條、圖案、形狀、顏色組織在一起反復出現的樣式。模式識別（Pattern Recognition）就是通過對表征事物、現象的各種信息描述（數據、波形、圖像、文字、邏輯關系和其他任何可測量特征的集合）進行辨認、分析和處理，發現隱含在數據中的模式和規律，用以推斷未知數據的特征或類別，有效地完成識別、分類、解釋、預測和決策等任務。
模式識別首先是人類思考問題、解決問題、認知事物、認識世界的一種方式。俗語說：“物以類聚，人以群分。”人們根據事物和對象特征的異同對其進行區分或歸類，這將帶來以下兩方面的好處：一是對認識和經驗“分門別類”地進行整理，找出隱含在數據記錄中的規律，形成系統性的知識，方便記錄、學習和傳播；二是根據已有的知識“觸類旁通”地認知新事物，做到人們常說的“以此類推”和“舉一反三”。
模式識別 目錄
目錄
前言
第1部分基 礎 知 識
第1章模式識別系統的構成和基本概念
1.1模式和模式識別
1.1.1模式識別范疇
1.1.2模式識別問題的數學表達
1.2模式識別系統的基本構成
1.3模式識別的基本概念
1.3.1模式識別的分類和聚類
1.3.2樣本、特征和特征空間
1.3.3特征選擇與降維
1.3.4距離與相似性度量
1.4模式識別系統的性能指標
1.4.1評估和優化模型性能的關鍵指標
1.4.2泛化、欠擬合與過擬合
1.4.3評估方法
本章小結
習題
參考文獻
第2部分模 式 分 類
第2章基于判別函數的模式分類
2.1線性分類器
2.1.1線性判別函數與決策面
2.1.2*小二乘誤差分類（LMSE)
2.1.3Fisher線性判別分析（FLDA）
2.1.4支持向量機（SVM）
2.2非線性分類器
2.2.1多項式分類器
2.2.2分段線性函數分類器
2.2.3k近鄰算法
2.2.4決策樹算法
2.3組合分類器
2.3.1Bagging算法
2.3.2Boosting算法（含AdaBoost算法）
2.3.3隨機森林
本章小結
習題
參考文獻
第3章基于統計理論的模式分類
3.1貝葉斯決策和貝葉斯分類器
3.1.1*小風險決策
3.1.2*小錯誤率決策
3.1.3樸素貝葉斯分類器
3.1.4正態分布下的貝葉斯分類器
3.2Neyman-Pearson決策
3.2.1Neyman-Pearson決策的算法原理
3.2.2Neyman-Pearson決策的模式分類應用舉例
3.3*大似然估計
3.3.1*大似然估計的算法原理
3.3.2*大似然估計的模式分類應用舉例
3.4期望*大化（EM）方法
3.4.1期望*大化方法
3.4.2期望*大化方法的模式分類應用舉例
本章小結
習題
參考文獻
第4章基于神經網絡的模式分類
4.1基于多層前饋神經網絡的模式分類
4.1.1神經元模型
4.1.2多層前饋神經網絡
4.1.3BP算法
4.1.4多層前饋神經網絡的模式分類應用舉例
4.2基于卷積神經網絡的模式分類
4.2.1卷積神經網絡的結構
4.2.2卷積神經網絡的訓練和模式分類應用舉例
4.3基于循環神經網絡的模式分類
4.3.1循環神經網絡的結構
4.3.2循環神經網絡的訓練和模式分類應用舉例
4.4基于Transformer的模式分類
4.4.1Transformer的結構
4.4.2Transformer的訓練和模式分類應用舉例
4.5基于YOLOvX的視覺模式識別
4.5.1YOLOvX網絡的基本原理
4.5.2YOLOv8網絡的訓練和目標檢測應用舉例
本章小結
習題
參考文獻
第3部分模 式 聚 類
第5章動態聚類
5.1動態聚類的算法特點和適用場合
5.2典型的動態聚類算法
5.2.1k均值算法
5.2.2ISODATA聚類算法
5.3動態聚類應用舉例
本章小結
習題
參考文獻
第6章層次聚類
6.1層次聚類的算法特點和適用場合
6.2典型的層次聚類算法
6.2.1自下而上的聚集聚類算法（Agglomerative）
6.2.2自上而下的分裂聚類算法（Divisive）
6.3層次聚類算法應用舉例
本章小結
習題
參考文獻
第7章高斯混合模型聚類
7.1GMM的算法特點和適用場合
7.2GMM算法
7.2.1高斯分布
7.2.2GMM的算法原理
7.2.3GMM的參數學習
7.2.4應用EM算法訓練GMM模型
7.2.5GMM組件個數的確定
7.3GMM聚類的應用舉例
7.4GMM聚類的函數指令和編程實現
7.4.1MATLAB常用的GMM聚類函數
7.4.2Python常用的GMM聚類指令
7.4.3GMM聚類的Python程序代碼舉例
本章小結
習題
參考文獻
第8章密度聚類
8.1基于密度的聚類
8.2DBSCAN算法
8.2.1算法基本思想
8.2.2確定參數Eps和MinPts
8.2.3性能評估
8.3OPTICS聚類
8.3.1基于密度的聚類排序
8.3.2識別聚類結構
本章小結
習題
參考文獻
前言
第1部分基 礎 知 識
第1章模式識別系統的構成和基本概念
1.1模式和模式識別
1.1.1模式識別范疇
1.1.2模式識別問題的數學表達
1.2模式識別系統的基本構成
1.3模式識別的基本概念
1.3.1模式識別的分類和聚類
1.3.2樣本、特征和特征空間
1.3.3特征選擇與降維
1.3.4距離與相似性度量
1.4模式識別系統的性能指標
1.4.1評估和優化模型性能的關鍵指標
1.4.2泛化、欠擬合與過擬合
1.4.3評估方法
本章小結
習題
參考文獻
第2部分模 式 分 類
第2章基于判別函數的模式分類
2.1線性分類器
2.1.1線性判別函數與決策面
2.1.2*小二乘誤差分類（LMSE)
2.1.3Fisher線性判別分析（FLDA）
2.1.4支持向量機（SVM）
2.2非線性分類器
2.2.1多項式分類器
2.2.2分段線性函數分類器
2.2.3k近鄰算法
2.2.4決策樹算法
2.3組合分類器
2.3.1Bagging算法
2.3.2Boosting算法（含AdaBoost算法）
2.3.3隨機森林
本章小結
習題
參考文獻
第3章基于統計理論的模式分類
3.1貝葉斯決策和貝葉斯分類器
3.1.1*小風險決策
3.1.2*小錯誤率決策
3.1.3樸素貝葉斯分類器
3.1.4正態分布下的貝葉斯分類器
3.2Neyman-Pearson決策
3.2.1Neyman-Pearson決策的算法原理
3.2.2Neyman-Pearson決策的模式分類應用舉例
3.3*大似然估計
3.3.1*大似然估計的算法原理
3.3.2*大似然估計的模式分類應用舉例
3.4期望*大化（EM）方法
3.4.1期望*大化方法
3.4.2期望*大化方法的模式分類應用舉例
本章小結
習題
參考文獻
第4章基于神經網絡的模式分類
4.1基于多層前饋神經網絡的模式分類
4.1.1神經元模型
4.1.2多層前饋神經網絡
4.1.3BP算法
4.1.4多層前饋神經網絡的模式分類應用舉例
4.2基于卷積神經網絡的模式分類
4.2.1卷積神經網絡的結構
4.2.2卷積神經網絡的訓練和模式分類應用舉例
4.3基于循環神經網絡的模式分類
4.3.1循環神經網絡的結構
4.3.2循環神經網絡的訓練和模式分類應用舉例
4.4基于Transformer的模式分類
4.4.1Transformer的結構
4.4.2Transformer的訓練和模式分類應用舉例
4.5基于YOLOvX的視覺模式識別
4.5.1YOLOvX網絡的基本原理
4.5.2YOLOv8網絡的訓練和目標檢測應用舉例
本章小結
習題
參考文獻
第3部分模 式 聚 類
第5章動態聚類
5.1動態聚類的算法特點和適用場合
5.2典型的動態聚類算法
5.2.1k均值算法
5.2.2ISODATA聚類算法
5.3動態聚類應用舉例
本章小結
習題
參考文獻
第6章層次聚類
6.1層次聚類的算法特點和適用場合
6.2典型的層次聚類算法
6.2.1自下而上的聚集聚類算法（Agglomerative）
6.2.2自上而下的分裂聚類算法（Divisive）
6.3層次聚類算法應用舉例
本章小結
習題
參考文獻
第7章高斯混合模型聚類
7.1GMM的算法特點和適用場合
7.2GMM算法
7.2.1高斯分布
7.2.2GMM的算法原理
7.2.3GMM的參數學習
7.2.4應用EM算法訓練GMM模型
7.2.5GMM組件個數的確定
7.3GMM聚類的應用舉例
7.4GMM聚類的函數指令和編程實現
7.4.1MATLAB常用的GMM聚類函數
7.4.2Python常用的GMM聚類指令
7.4.3GMM聚類的Python程序代碼舉例
本章小結
習題
參考文獻
第8章密度聚類
8.1基于密度的聚類
8.2DBSCAN算法
8.2.1算法基本思想
8.2.2確定參數Eps和MinPts
8.2.3性能評估
8.3OPTICS聚類
8.3.1基于密度的聚類排序
8.3.2識別聚類結構
本章小結
習題
參考文獻
展開全部
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
苦雨齋序跋文-周作人自編集
- >
二體千字文
- >
山海經
- >
有舍有得是人生
- >
姑媽的寶刀
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
小考拉的故事-套裝共3冊
本類暢銷
