新書推薦：
《
碰撞与转型
》
售價：HK$
446.2
《
行动红利：用行动告别低效、摆脱拖延，享受人生的红利
》
售價：HK$
67.9
《
改变我们的道路——大疫后的人类及其世界
》
售價：HK$
78.2
《
《周髀算经》新论·译注
》
售價：HK$
79.4
《
红楼有三味
》
售價：HK$
66.7
《
南宋行暮：宋光宗宋宁宗时代（增订本）
》
售價：HK$
101.2
《
算力芯片——高性能 CPU/GPU/NPU 微架构分析
》
售價：HK$
148.4
《
漫长的调查：重走营造学社川康古建筑调查之路
》
售價：HK$
89.7
|
| 內容簡介： |
|
模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程；机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务的过程。本书介绍模式识别和机器学习技术的主要方面，包括贝叶斯统计决策、概率密度函数的估计、线性分类与回归模型、其他分类方法、无监督学习和聚类、核方法和支持向量机、神经网络和深度学习、特征选择与提取等。本书既重视基础理论和经典方法的介绍，又兼顾前沿知识和模型的融入，力图反映该领域的核心知识体系和新发展趋势；每章的内容尽可能做到丰富完整，并附有习题或上机实践题，便于读者巩固所学的知识。本书可作为计算机科学领域机器学习和模式识别专业方向高年级本科生和研究生的教材，也可供相关技术人员参考。
|
| 關於作者： |
|
李映，西北工业大学教授，工学博士，硕士生导师。研究方向为遥感图像处理、数据挖掘、智能信息处理。主持包括国家自然科学基金、航空科学基金、陕西省自然科学基金、航天支撑基金项目等纵向项目和其它横向项目十余项，在国内外重要学术期刊上发表论文 100余篇，申请发明专利10余项，获得授权发明专利6项。
|
| 目錄：
|
|
第1章 绪论11.1 引言11.2 模式识别的基本概念31.2.1 模式和模式识别31.2.2 模式空间、特征空间和类空间51.2.3 预处理71.2.4 特征提取/选择71.2.5 分类71.3 模式识别系统81.4 机器学习的主要方法91.4.1 监督学习91.4.2 无监督学习101.4.3 半监督学习111.4.4 集成学习111.4.5 强化学习121.5 概率分布121.5.1 随机变量及分布131.5.2 随机向量及分布161.5.3 边际分布181.5.4 条件概率分布181.6 习题19第2章 贝叶斯统计决策202.1 引言202.2 小错误率判别规则222.3 小风险判别规则242.4 似然比判别规则272.5 Neyman-Pearson判别规则302.6 小判别规则332.7 分类器设计372.8 正态分布中的贝叶斯分类方法412.9 小结50习题50第3章 概率密度函数的估计523.1 引言523.2 似然估计523.2.1 似然估计基础523.2.2 正态分布下的似然估计543.3 贝叶斯估计与贝叶斯学习563.3.1 贝叶斯估计563.3.2 正态分布下的贝叶斯估计573.3.3 贝叶斯学习593.4 EM估计方法613.4.1 EM算法613.4.2 混合正态分布的EM估计633.5 非参数估计方法653.5.1 非参数估计的基本方法与限制条件653.5.2 Parzen窗法673.5.3 kN近邻估计方法723.6 小结74习题74第4章 线性分类与回归模型754.1 引言754.2 线性判别函数和决策面754.2.1 两类情况764.2.2 多类问题中的线性判别函数764.2.3 设计线性分类器的主要步骤814.3 广义线性判别函数834.4 小均方误差判别864.4.1 小均方和准则864.4.2 H-K算法884.4.3 H-K算法的多类推广904.5 线性回归模型914.6 正则化线性回归924.7 小结94习题94第5章 其他分类方法965.1 近邻法965.1.1 近邻法965.1.2 k近邻法965.2 逻辑斯蒂回归995.3 决策树与随机森林1025.3.1 非数值特征1025.3.2 决策树1025.3.3 属性选择方法1045.3.4 过学习与决策树的剪枝1075.3.5 随机森林1085.4 小结109习题109第6章 无监督学习和聚类1106.1 引言1106.2 混合模型的估计1106.2.1 无监督似然估计1116.2.2 正态分布下的无监督参数估计1126.3 动态聚类算法1156.3.1 均值聚类算法1166.3.2 ISODATA聚类算法1216.4 层次聚类算法1276.4.1 凝聚的层次聚类算法1276.4.2 分裂的层次聚类算法1286.5 谱聚类1306.6 模糊聚类方法1346.6.1 模糊集基本知识1346.6.2 模糊c均值算法1356.7 相似性传播聚类1366.8 小结138习题138第7章 核方法和支持向量机1397.1 引言1397.2 核学习机1397.3 支持向量机1407.3.1 线性可分支持向量机1417.3.2 软间隔线性支持向量机1447.3.3 非线性支持向量机1467.4 支持向量回归机1477.5 小结151习题151第8章 神经网络和深度学习1528.1 引言1528.2 感知器1538.2.1 感知器的概念1538.2.2 感知器训练算法及其收敛性1548.2.3 感知器准则函数及梯度法1588.3 多层前向神经网络1628.3.1 多层前向神经网络1638.3.2 BP神经网络1658.3.3 RBF神经网络1708.4 自组织特征映射神经网络1768.4.1 SOM神经网络结构1768.4.2 SOM神经网络算法1778.5 深度学习1798.5.1 堆栈式自编码网络（SAE）1798.5.2 深度置信网络（DBN）1828.5.3 卷积神经网络（CNN）1858.5.4 循环神经网络（RNN）1918.5.5 生成对抗网络（GAN）1948.5.6 扩散模型1968.5.7 Transformer模型1978.6 小结201习题204第9章 特征选择与提取2059.1 引言2059.2 特征选择的一般流程2059.2.1 生成特征子集2059.2.2 评价准则2079.2.3 停止条件和结果验证2099.3 特征选择方法2099.3.1 过滤式特征选择方法2109.3.2 封装式特征选择方法2149.3.3 嵌入式特征选择方法2159.3.4 集成式特征选择方法2159.4 线性特征提取方法2169.4.1 线性判别分析2169.4.2 主成分分析方法2179.5 非线性特征提取方法2199.5.1 核线性判别分析2199.5.2 核主成分分析2219.5.3 流形学习2229.6 小结224习题225参考文献226
|
|
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
