新書推薦：
《
现代自建小别墅VR效果图 实用的自建小别墅指南 帮你解决设计难题
》
售價：HK$
156.4
《
语义学（下卷）（语言学及应用语言学名著译丛）
》
售價：HK$
156.4
《
迷人的珊瑚礁（迷人的科学丛书）
》
售價：HK$
124.2
《
夜幕之下.5：极恶都市
》
售價：HK$
63.3
《
异质文化交织下的上海都市生活（1843-1949）
》
售價：HK$
147.2
《
暂别（邓安庆全新文集）
》
售價：HK$
89.7
《
鲍勃·迪伦为什么重要
》
售價：HK$
78.2
《
超负荷的女性：看见内心的渴望与恐惧
》
售價：HK$
67.9
|
| 編輯推薦： |
|
《人人可懂的模式识别》以其深入浅出的讲解方式，成功打破了专业壁垒，将原本可能晦涩难懂的技术知识转化为生动有趣的阅读体验。作者以日常生活中的实例为引子，逐步引导读者探索模式识别的核心原理、算法逻辑以及广泛应用。这种贴近生活的讲解方式，不仅降低了学习门槛，更激发了读者的好奇心和探索欲。书中内容全面且结构清晰，从基础概念到高级技术，从理论探讨到实践应用，无所不包。无论是初学者希望快速入门，还是专业人士希望深化理解，都能在这本书中找到适合自己的内容。作者还巧妙地穿插了案例分析、实操指南和前沿技术介绍，让读者在掌握理论知识的同时，也能感受到模式识别技术的实际价值和无限潜力。这是一本值得每一位对科技、人工智能、模式识别等领域感兴趣的读者拥有的好书。它不仅能够帮助你快速入门并掌握核心知识，更能激发你的创新思维和探索精神。我坚信，这本书将成为你探索未知世界的得力助手和宝贵财富。
|
| 內容簡介： |
|
本书是日本人工智能领域的畅销书，作者均为模式识别领域的知名学者，他们基于多年的研究、实践经验和独特的视角，从模式识别的基本概念开始，以通俗易懂的语言介绍了机器学习、识别函数设计、特征的评价、特征空间的变换、子空间法、最小二乘法等常用的模式识别基础知识和算法。此外，精心设计的习题能帮助读者进一步深入理解模式识别理论，心得栏目提供了作者在实际研究中的一些很有价值的思考。本书内容深入浅出且具有新意，适合对模式识别感兴趣的初学者，对专业人士也具有较高的参考价值。
|
| 關於作者： |
|
石井健一郎，毕业于东京大学，曾在美国普渡大学做客座研究员，并曾就职于日本通信科学基础研究所从事文本识别、图像处理的研究和应用，现任名古屋大学大学院情报科学研究科教授。
|
| 目錄：
|
CONTENTS
目 录
前言
初版前言
符号一览表
第1章 模式识别概述 1
1.1 模式识别系统的构成 1
1.2 特征向量与特征空间 2
1.3 原型与最近邻规则 6
习题 10
第2章 学习与识别函数 12
2.1 学习的必要性 12
2.2 最近邻规则和线性识别函数 13
2.3 感知器的学习规则 16
2.4 感知器的学习实验 25
2.5 分段线性识别函数 28
习题 33
第3章 基于误差评价的学习 35
3.1 平方误差最小化学习 35
3.2 误差评价与感知器 44
3.3 神经网络与误差反向传播法 48
3.4 3层神经网络实验 54
3.5 中间层功能的确认实验 57
习题 62
第4章 识别单元的设计 63
4.1 参数学习与非参数学习 63
4.2 参数的估计 66
4.3 识别函数的设计 69
4.4 特征空间的维度和学习模式数 77
4.5 识别单元的最优化 81
习题 84
第5章 特征评价与贝叶斯误差 86
5.1 评价特征 86
5.2 类间方差与类内方差的比 87
5.3 贝叶斯误差 88
5.4 贝叶斯误差与最近邻规则 92
5.5 贝叶斯误差估计法 99
5.6 特征评价的实验 105
习题 108
第6章 特征空间的变换 110
6.1 特征选择与特征空间的变换 110
6.2 特征量的归一化 113
6.3 KL展开 116
6.4 线性判别法 125
6.5 KL展开的适用法 147
习题 151
第7章 子空间法 154
7.1 子空间法的基础 154
7.2 CLAFIC法 155
7.3 子空间法和相似度法 158
7.4 正交子空间法 162
7.5 学习子空间法 163
习题 164
第8章 学习算法的一般化 165
8.1 期望损失最小化学习 165
8.2 各种损失 166
8.3 概率下降法 171
习题 176
第9章 学习算法与贝叶斯决策规则 177
9.1 基于最小二乘法的学习 177
9.2 最小二乘法和各种学习法 188
习题 191
附 录 192
结 语 200
参考文献 203
|
| 內容試閱：
|
Preface
前 言
本书为1998年出版的わかりやすいパターン認識（以下称“初版”）的修订版。初版以初次学习模式识别的读者为对象，将涉及的主题锁定为模式识别的基础知识，并进行了通俗易懂的讲解。初版自出版以来不断重印，至今已印刷了26次，得到了广大读者的认可。
自初版出版以来，开发出了支持向量机、核方法、深度学习等许多新方法，提出了许多新概念。读者可能期待本书增加了这些新内容。但是，本书所涉及的主题范围与初版一致。
初版的主题是作者之间反复探讨，并经过深思熟虑后而精选的，包含了学习模式识别方面极为基本的内容，到现在仍然没有过时。当前，虽然出现了许多新技术，但要理解这些新技术，掌握本书的基本内容是必不可少的。
本书的着眼点是回应初版出版以来读者提出的意见和要求。其中之一就是，希望能介绍关于非监督式学习的相关知识。
读者对初版提出的反馈意见有两点：一是希望引入更多的具体例子和实验例子；二是希望设置有助于理解正文的练习题。这些都是合理的意见，也是作者将初版作为教科书使用的经历中深切体会到的需改进之处。因此，本版将作者在讲义中使用的补充资料、实验例子、习题等编入其中。习题放在各章末尾。另外，由于篇幅的限制，也有一些原本应在正文中说明的内容，以习题及其解答的形式进行了解说。它们在题号上用*号作了区分，可将其解答作为本书的补充资料
阅读。
本书的章节结构与初版一致，引入了更多的具体例子和实验例子，保留了“心得”并添加了附录，以方便读者阅读。此外，还对初版中不易理解的地方，以及认为需要改善的地方进行了补充和修正。
最后，想谈一下作者在授课过程中产生的忧虑。那就是对线性代数（重要的工具）不擅长的初学者在学习模式识别的过程中以“不擅长线性代数”为由，对本书的数学公式敬而远之。根据作者的经验，线性代数只有接触大量的具体应用实例，才能理解其功能和效用。因此，缺乏这样的经验，不擅长线性代数的初学者，希望通过本书能尽可能多地接触应用实例，以重新学习线性代数的心态来进行研究。
但愿本书和初版一样能得到广大读者的支持。
作者
2019年10月
TO THE FIRST EDITION
初 版 前 言
模式识别的研究在20世纪50～60年代达到顶峰，可以说如今被称为识别和学习理论的基本框架几乎都是在这期间建立起来的。之后的20世纪70～80年代，计算机的性能有了飞跃性的提高，通过大规模模拟的实证性研究和应用研究，模式识别得到了大力发展。围绕以文字读取装置为代表的实用机的开发和各种特征提取法也是在这个时期出现的。然而，虽然识别和学习理论是经过系统整理而形成的体系学问，但特征提取依赖于识别对象，它是启发式的且带有随意性，也难以体系化。遗憾的是，有不少人认为特征提取这种研究方法是模式识别的本质。另外，随着20世纪80年代后半期第二次神经网络热潮的到来，人们普遍认为模式识别理论已经不再值得学习。作者认为，现在模式识别被轻视的背后，就是因为存在这种对模式识别的误解。
本书就是在这样的情况下，为了使人们正确理解模式识别，重新认识其重要性而撰写的。
为了便于初学者自学，本书使用了简明易懂的表述方式，以让读者能够快速掌握本书内容。因此，本书重点阐述统计模式识别，将不太实用的部分果断省略或简化说明，详细讲解在统计模式识别的基础上产生的重要概念。另外，还将作者的经验和技巧以“心得”为标题呈现给读者。
由于作者能力有限，可能会造成一些错误。如果能收到大家宝贵的意见将不胜感激。
希望本书能使更多的人对模式识别产生兴趣。
作者
1998 年 5月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
