模式識彆 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

《模式識彆(第3版)》是清華大學自動化係國傢精品課程“模式識彆基礎”的教材，是在《模式識彆》第一版和第二版基礎上重寫而成的。本教材係統地討論瞭模式識彆的基本概念和代錶性方法，包括監督模式識彆中的貝葉斯決策理論、概率密度函數的估計、綫性判彆函數、非綫性判彆函數、近鄰法、特徵選擇與提取的典型方法以及非監督模式識彆中的基於模型的方法、混閤密度估計、動態聚類方法、分級聚類方法等，並在相應章節包括瞭人工神經網絡、支持嚮量機、決策樹與隨機森林、羅傑斯特迴歸、B00sting方法、模糊模式識彆等較新進入模式識彆領域的內容。整體內容安排力求係統性和實用性，並覆蓋部分當前研究前沿。

《模式識彆(第3版)》可以作為高等院校自動化、計算機等相關專業高年級本科生和研究生學習模式識彆的教材，也可以供計算機信息處理、生物信息學、數據挖掘、統計等各領域中從事模式識彆相關工作的廣大科技人員和高校師生參考。

張學工

1994年於清華大學模式識彆與智能係統專業獲工學博士學位，現任清華大學自動化係教授。主要從事機器學習的理論、方法與應用研究和生物信息學研究。

第1章 概論
1.1 模式與模式識彆
1.2 模式識彆的主要方法
1.3 監督模式識彆與非監督模式識彆
1.4 模式識彆係統舉例
1.5 模式識彆係統的典型構成
1.6 本書的主要內容
第2章 統計決策方法
2.1 引言： 一個簡單的例子
2.2 最小錯誤率貝葉斯決策
2.3 最小風險貝葉斯決策
2.4 兩類錯誤率、NeymanPearson決策與ROC麯綫
2.5 正態分布時的統計決策
2.5.1 正態分布及其性質迴顧
2.5.2 正態分布概率模型下的最小錯誤率貝葉斯決策
2.6 錯誤率的計算
2.6.1 正態分布且各類協方差矩陣相等情況下錯誤率的計算
2.6.2 高維獨立隨機變量時錯誤率的估計
2.7 離散概率模型下的統計決策舉例
2.8 小結與討論
第3章 概率密度函數的估計
3.1 引言
3.2 最大似然估計
3.2.1 最大似然估計的基本原理
3.2.2 最大似然估計的求解
3.2.3 正態分布下的最大似然估計
3.3 貝葉斯估計與貝葉斯學習
3.3.1 貝葉斯估計
3.3.2 貝葉斯學習
3.3.3 正態分布時的貝葉斯估計
3.3.4 其他分布的情況
3.4 概率密度估計的非參數方法
3.4.1 非參數估計的基本原理與直方圖方法
3.4.2 kN近鄰估計方法
3.4.3 Parzen窗法
3.5 討論
第4章 綫性分類器
4.1 引言
4.2 綫性判彆函數的基本概念
4.3 Fisher綫性判彆分析
4.4 感知器
4.5 最小平方誤差判彆
4.6 最優分類超平麵與綫性支持嚮量機
4.6.1 最優分類超平麵
4.6.2 大間隔與推廣能力
4.6.3 綫性不可分情況
4.7 多類綫性分類器
4.7.1 多個兩類分類器的組閤
4.7.2 多類綫性判彆函數
4.8 小結與討論
第5章 非綫性分類器
5.1 引言
5.2 分段綫性判彆函數
5.2.1 分段綫性距離分類器
5.2.2 一般的分段綫性判彆函數
5.3 二次判彆函數
5.4 多層感知器神經網絡
5.4.1 神經元與感知器
5.4.2 用多個感知器實現非綫性分類
5.4.3 采用反嚮傳播算法的多層感知器
5.4.4 多層感知器網絡用於模式識彆
5.4.5 神經網絡結構的選擇
5.4.6 前饋神經網絡與傳統模式識彆方法的關係
5.4.7 人工神經網絡的一般知識
5.5 支持嚮量機
5.5.1 廣義綫性判彆函數
5.5.2 核函數變換與支持嚮量機
5.5.3 支持嚮量機應用舉例
5.5.4 支持嚮量機的實現算法
5.5.5 多類支持嚮量機
5.5.6 用於函數擬閤的支持嚮量機
5.6 核函數機器
5.6.1 大間隔機器與核函數機器
5.6.2 核Fisher判彆
5.7 小結與討論
第6章 其他分類方法
6.1 近鄰法
6.1.1 最近鄰法
6.1.2 k近鄰法
6.1.3 近鄰法的快速算法
6.1.4 剪輯近鄰法
6.1.5 壓縮近鄰法
6.2 決策樹與隨機森林
6.2.1 非數值特徵
6.2.2 決策樹
6.2.3 過學習與決策樹的剪枝
6.2.4 隨機森林
6.3 羅傑斯特迴歸
6.4 Boosting方法
6.5 討論
第7章 特徵選擇
7.1 引言
7.2 特徵的評價準則
7.2.1 基於類內類間距離的可分性判據
7.2.2 基於概率分布的可分性判據
7.2.3 基於熵的可分性判據
7.2.4 利用統計檢驗作為可分性判據
7.3 特徵選擇的最優算法
7.4 特徵選擇的次優算法
7.5 特徵選擇的遺傳算法
7.6 以分類性能為準則的特徵選擇方法
7.7 討論
第8章 特徵提取
8.1 引言
8.2 基於類彆可分性判據的特徵提取
8.3 主成分分析方法
8.4 KarhunenLoève變換
8.4.1 KL變換的基本原理
8.4.2 用於監督模式識彆的KL變換
8.5 KL變換在人臉識彆中的應用舉例
8.6 高維數據的低維顯示
8.7 多維尺度法
8.7.1 MDS的基本概念
8.7.2 古典尺度法
8.7.3 度量型MDS
8.7.4 非度量型MDS
8.7.5 MDS在模式識彆中的應用
8.8 非綫性變換方法簡介
8.8.1 核主成分分析（KPCA）
8.8.2 IsoMap方法和LLE方法
8.9 討論
第9章 非監督模式識彆
9.1 引言
9.2 基於模型的方法
9.3 混閤模型的估計
9.3.1 非監督最大似然估計
9.3.2 正態分布情況下的非監督參數估計
9.4 動態聚類算法
9.4.1 C均值算法
9.4.2 ISODATA方法
9.4.3 基於樣本與核的相似性度量的動態聚類算法
9.5 模糊聚類方法
9.5.1 模糊集的基本知識
9.5.2 模糊C均值算法
9.5.3 改進的模糊C均值算法
9.6 分級聚類方法
9.7 自組織映射神經網絡
9.7.1 SOM網絡結構
9.7.2 SOM學習算法和自組織特性
9.7.3 SOM用於模式識彆
9.8 討論
第10章 模式識彆係統的評價
10.1 監督模式識彆方法的錯誤率估計
10.1.1 訓練錯誤率
10.1.2 測試錯誤率
10.1.3 交叉驗證
10.1.4 自舉法與632估計
10.2 有限樣本下錯誤率的區間估計問題
10.2.1 問題的提齣
10.2.2 用擾動重采樣估計SVM錯誤率的置信區間
10.3 特徵提取與選擇對分類器性能估計的影響
10.4 從分類的顯著性推斷特徵與類彆的關係
10.5 非監督模式識彆係統性能的評價
10.6 討論
索引
參考文獻
· · · · · · (收起)