機器學習與視覺感知（第2版） ( 簡體 字) |
| 作者：張寶昌、楊萬扣、林娜娜 | 類別：1. -> 程式設計 -> 機器學習
2. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53461
詢問書籍請說出此書號！【有庫存】
NT售價： 245 元 |
| 出版日：9/1/2020 |
| 頁數：122 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302561859 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：模式識別誕生于20世紀20年代，隨著20世紀40年代計算機的出現，20世紀50年代人工智能的興起，模式識別在20世紀60年代初迅速發展成一門學科。什么是模式和模式識別呢？廣義地說，存在于時間和空間中可觀察的事物，如果可以區別它們是否相同或相似，都可以稱之為模式；狹義地說，模式是通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息。模式所屬的類別或同一類中模式的總體稱為模式類(或簡稱為類)。而“模式識別”則是在某些一定度量或觀測基礎上把待識別模式劃分到各自的模式類中去。經過多年的研究和發展，模式識別技術已被廣泛應用于人工智能、計算機工程、機器人學、神經生物學，以及宇航科學和武器技術等許多重要領域，如語音識別、語音翻譯、人臉識別、指紋識別、生物認證技術等。模式識別技術對國民經濟建設和國防科技發展的重要性已得到了人們的認可和廣泛重視。
作為模式識別不可分割的一部分，機器學習與視覺感知是當前計算機與自動化領域的技術熱點，也是未來的主要研究方向之一。各行各業都會應用機器學習方法解決問題。而視覺作為最主要的信息獲取方式，是目前最為重要的研究領域之一。作者結合長期的科研經驗完成了這本面向大學本科及研究生的教材。本書面向有一定數學基礎的模式識別專業的本科生和研究生，以及有志于鉆研模式識別相關領域，包括機器學習和視覺感知等方向的讀者。由于機器學習算法大多與線性代數和矩陣相關，作者認為本書讀者已經掌握了基礎的數學知識。本書介紹機器學習的主要原理和方法，以及最新進展。全書包括機器學習的發展史、決策樹學習、PAC模型、貝葉斯學習、支持向量機、AdaBoost、壓縮感知、子空間、深度學習與神經網絡調制卷積神經網絡和強化學習。
由于機器學習與視覺感知方向書籍眾多，本書在介紹其余書籍所涉及的基礎知識的基礎上，加入了許多前沿的算法和原理，希望讀者不僅可以學習到這些基礎知識，還可以根據這些知識確定自己的研究方向。基于此，作者在編書過程中做了兩方面工作： 一方面，該書從易于讀者學習的角度逐步講解了諸如決策樹學習、貝葉斯學習、支持向量機、壓縮感知以及深度學習等知識，不同于以往的書籍中理論過于煩瑣、公式推導過于復雜的特點，本書重點強調實用性，書中加入了大量的例子來實現算法，使得讀者可以在學習示例的基礎上去學習算法和理論；另一方面，本書內容安排每一章為比較獨立的一個整體，這些章節不僅包括傳統的理論和方法，也融入了作者的一些算法和最近比較流行的機器學習理論，使得讀者可以知道機器學習的新方向和新進展。
本書對最新的機器學習領域的成果進行了介紹，并對作者多年來的研究成果進行了總結。由于作者在分類器設計、人臉識別、視頻理解、掌紋識別、鐵路圖像檢測方面進行了多年的研究，本書對于相關領域的研究人員具有一定的啟發作用。
本書由張寶昌、楊萬扣、林娜娜編著。張寶昌負責對全書的內容進行了撰寫和整理，楊萬扣主要針對子空間學習和壓縮感知部分進行了修訂，而林娜娜對增強學習部分整理和全書的核對做了大量的工作。感謝楊?、劉娟、王蕾等研究生對本書后期整理所做的大量工作。寫作過程中，作者借閱了大量機器學習相關的書籍和互聯網上的資料，詳見參考文獻，沒有他們的貢獻就沒有本書的出版，在此表示衷心的感謝。
由于時間倉促和個人能力有限，書中難免存在疏漏，希望廣大讀者給予批評指正。
作者 2020年7月 |
內容簡介：本書分為基礎篇和高級篇。基礎篇介紹機器學習的主要原理和方法、以及最近幾年來的最新進展，包括機器學習的發展史、決策樹學習、PAC模型、貝葉斯學習、支持向量機、AdaBoost、壓縮感知、子空間、深度學習與神經網絡、MCNs、強化學習等內容。在高級篇部分，主要介紹一下作者多年來在機器學習與視覺感知方面的研究成果，包括HGPP、LDP、KBP、高階差分碼、Kernel Learning、Bag of Feature model等方法原理闡述與應用。 |
目錄：第1章機器學習的發展史1
引言1
1.1機器學習1
1.1.1基本簡介1
1.1.2機器學習的定義和研究意義2
1.1.3機器學習的發展史3
1.1.4機器學習的主要策略3
1.1.5機器學習系統的基本結構4
1.1.6機器學習的分類4
1.1.7目前研究領域8
1.2統計模式識別問題9
1.2.1機器學習問題的表示9
1.2.2經驗風險最小化11
1.2.3復雜性與推廣能力11
1.3統計學習理論的核心內容12
1.3.1學習過程一致性的條件13
1.3.2推廣性的界13
1.3.3結構風險最小化15
小結17第2章PAC模型18
引言18
2.1基本的PAC模型18
2.1.1PAC簡介18
2.1.2基本概念18
2.1.3問題框架19
2.2PAC模型樣本復雜度分析20
2.2.1有限空間樣本復雜度20
2.2.2無限空間樣本復雜度21
小結22第3章決策樹學習23
引言23
3.1決策樹學習概述23
3.1.1決策樹24
3.1.2性質25
3.1.3應用25
3.1.4學習26
3.2決策樹設計26
3.2.1決策樹的特點27
3.2.2決策樹的生成27
小結33第4章貝葉斯學習34
引言34
4.1貝葉斯學習34
4.1.1貝葉斯公式34
4.1.2最小誤差決策35
4.1.3正態密度35
4.1.4最大似然估計36
4.2樸素貝葉斯原理及應用37
4.2.1貝葉斯最佳假設原理37
4.2.2NaiveBayes分類37
4.2.3基于NaiveBayes的文本分類器38
4.3HMM（隱性馬氏模型）及應用41
4.3.1馬爾科夫性41
4.3.2馬爾科夫鏈41
4.3.3轉移概率矩陣41
4.3.4HMM（隱性馬爾科夫模型）及應用42
小結44第5章支持向量機45
引言45
5.1支持向量機45
5.2支持向量機的核函數選擇50
5.3支持向量機的實例51
5.4多類支持向量機54
小結54第6章AdaBoost55
引言55
6.1AdaBoost與目標檢測55
6.1.1AdaBoost算法55
6.1.2初始化57
6.2具有強魯棒性的實時目標檢測59
6.2.1矩形特征選取59
6.2.2積分圖60
6.2.3訓練結果61
6.2.4級聯62
6.3運用統計學的目標檢測63
6.4隨機森林64
6.4.1原理闡述64
6.4.2算法詳解64
6.4.3算法分析64
小結65第7章壓縮感知66
引言66
7.1壓縮感知理論框架66
7.2壓縮感知的基本理論及核心問題67
7.2.1壓縮感知的數學模型67
7.2.2信號的稀疏表示67
7.2.3信號的觀測矩陣68
7.2.4信號的重構算法69
7.3壓縮感知的應用與仿真69
7.3.1應用69
7.3.2人臉識別70
小結72第8章子空間73
引言73
8.1基于主成分分析的特征提取73
8.2數學模型75
8.3主成分的數學上的計算76
8.3.1兩個線性代數的結論76
8.3.2基于協方差矩陣的特征值分解76
8.3.3主成分分析的步驟77
8.4主成分分析的性質78
8.5基于主成分分析的人臉識別方法79
小結80第9章深度學習與神經網絡81
引言81
9.1神經網絡及其主要算法81
9.1.1前饋神經網絡81
9.1.2感知器81
9.1.3三層前饋網絡83
9.1.4反向傳播算法84
9.2深度學習86
9.2.1深度學習概述86
9.2.2自編碼算法AutoEncoder87
9.2.3自組織編碼深度網絡88
9.2.4卷積神經網絡模型89
小結92第10章調制卷積神經網絡（MCN）93
10.1概述93
10.2損失函數95
10.3前向卷積96
10.4卷積神經網絡模型的梯度反傳98
10.5MCN網絡的實驗驗證100
10.5.1實驗數據集100
10.5.2實驗與實現細節103第11章強化學習112
引言112
11.1強化學習概述112
11.2強化學習過程113
11.2.1馬爾科夫性113
11.2.2獎勵113
11.2.3估價函數114
11.2.4動態規劃114
11.2.5蒙特卡洛方法115
11.2.6時序差分學習115
11.2.7Q拟Learning117
11.2.8Q拟Learning算法的改進118
11.3程序實現120
參考文獻124 |
| 序： |
