關于我們
書單推薦
新書推薦
|
模式識別 系統(tǒng)介紹模式識別的基本概念、理論體系、典型方法以及實際應用實例,強調(diào)基礎性和實用性,同時兼顧學科發(fā)展的**動向,包括了各種典型方法在R和Matlab環(huán)境下的現(xiàn)有程序和應用方法,并包括了對針對大數(shù)據(jù)應用的模式識別方法的討論。 本書是清華大學自動化系國家精品課程模式識別基礎的教材,跨度三十多年,歷經(jīng)四版、千錘百煉,整體內(nèi)容具有系統(tǒng)性和實用性,兼顧經(jīng)典內(nèi)容與學科研究前沿,是一本非常適合教學的經(jīng)典教材。 一轉(zhuǎn)眼十年又過去了,十年前在出版本書第3版時,我曾經(jīng)感慨信息時代的到來,而從那以后的這十年,我們則深刻感受到了智能時代的來臨。清華大學出版社的老師告訴我,《模式識別》第2版和第3版到目前已經(jīng)共印刷了38次,總發(fā)行量超過10萬冊。在我平時的工作中,時常收到采用本教材授課的高校教師的問題和建議,也收到一些讀者反饋。我要特別感謝這些老師和讀者對本教材長期的支持和關愛,也很高興看到這本教材為這個蓬勃發(fā)展的學科貢獻了一份力量。 張學工 2020年7月20日 前言
張學工 2009年11月29日 張學工,1989年畢業(yè)于清華大學,1994年獲得博士學位,現(xiàn)為清華大學自動化系教授,清華信息科學與技術國家實驗室(籌)生物信息學研究部主任,主要研究方向是模式識別與機器學習、生物信息學與計算生物學。已經(jīng)在國內(nèi)外重要期刊發(fā)表論文200多篇,出版教材2部、譯著2部,曾獲國家科技進步二等獎,2006年獲得國家杰出青年基金,2009年獲教學成果一等獎,所開設的《模式識別基礎》課程2007年被評為精品課。 第1章概論 1.1模式與模式識別 1.2模式識別的主要方法 1.3監(jiān)督模式識別與非監(jiān)督模式識別 1.4模式識別系統(tǒng)舉例 1.5模式識別系統(tǒng)的典型構(gòu)成 1.6本書的主要內(nèi)容 第2章統(tǒng)計決策方法 2.1引言: 一個簡單的例子 2.2小錯誤率貝葉斯決策 2.3小風險貝葉斯決策 2.4兩類錯誤率、NeymanPearson決策與ROC曲線 2.5正態(tài)分布時的統(tǒng)計決策 2.5.1正態(tài)分布及其性質(zhì)回顧 2.5.2正態(tài)分布概率模型下的小錯誤率貝葉斯決策 2.6錯誤率的計算 2.6.1正態(tài)分布且各類協(xié)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離散時間序列樣本的統(tǒng)計決策 2.7.1基因組序列的例子 2.7.2馬爾可夫模型及在馬爾可夫模型下的貝葉斯決策 2.7.3隱馬爾可夫模型簡介 2.8小結(jié)與討論 第3章概率密度函數(shù)的估計 3.1引言 3.2似然估計 3.2.1似然估計的基本原理 3.2.2似然估計的求解 3.2.3正態(tài)分布下的似然估計 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(tài)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(shù)方法 3.4.1非參數(shù)估計的基本原理與直方圖方法 3.4.2kN近鄰估計方法 3.4.3Parzen窗法 第4章隱馬爾可夫模型與貝葉斯網(wǎng)絡 4.1引言 4.2貝葉斯網(wǎng)絡的基本概念 4.3隱馬爾可夫模型(HMM) 4.3.1HMM評估問題 4.3.2HMM隱狀態(tài)推斷問題(解碼問題) 4.3.3HMM學習問題 4.4樸素貝葉斯分類器(Nave Bayes) 4.5在貝葉斯網(wǎng)絡上的條件獨立性 4.6貝葉斯網(wǎng)絡模型的學習 4.6.1貝葉斯網(wǎng)絡的參數(shù)學習 4.6.2貝葉斯網(wǎng)絡的結(jié)構(gòu)學習 4.7討論 第5章線性學習機器與線性分類器 5.1引言 5.2線性回歸 5.3線性判別函數(shù)的基本概念 5.4Fisher線性判別分析 5.5感知器 5.6小平方誤差判別 5.7羅杰斯特回歸 5.8分類超平面與線性支持向量機 5.8.1分類超平面 5.8.2大間隔與推廣能力 5.8.3線性不可分情況 5.9多類線性分類器 5.9.1多個兩類分類器的組合 5.9.2多類線性判別函數(shù) 5.9.3多類羅杰斯特回歸與軟 5.10討論 第6章典型的非線性分類器 6.1引言 6.2分段線性判別函數(shù) 6.2.1分段線性距離分類器 6.2.2一般的分段線性判別函數(shù) 6.3二次判別函數(shù) 6.4多層感知器神經(jīng)網(wǎng)絡 6.4.1神經(jīng)元與感知器 6.4.2用多個感知器實現(xiàn)非線性分類 6.4.3反向傳播算法 6.4.4多層感知器網(wǎng)絡用于模式識別 6.4.5神經(jīng)網(wǎng)絡結(jié)構(gòu)的選擇 6.4.6前饋神經(jīng)網(wǎng)絡與傳統(tǒng)模式識別方法的關系 6.4.7人工神經(jīng)網(wǎng)絡的一般知識 6.5支持向量機 6.5.1廣義線性判別函數(shù) 6.5.2核函數(shù)變換與支持向量機 6.5.3支持向量機早期應用舉例 6.5.4支持向量機的實現(xiàn)算法 6.5.5多類支持向量機 6.5.6用于函數(shù)擬合的支持向量機支持向量回歸 6.6核函數(shù)機器 6.6.1大間隔機器與核函數(shù)機器 6.6.2核Fisher判別 6.6.3中心支持向量機 6.7討論 第7章統(tǒng)計學習理論概要 7.1引言 7.2機器學習問題的提法 7.2.1機器學習問題的函數(shù)估計表示 7.2.2經(jīng)驗風險小化原則及其存在的問題 7.3學習過程的一致性 7.4函數(shù)集的容量與VC維 7.5推廣能力的界與結(jié)構(gòu)風險小化原則 7.6支持向量機的理論分析 7.7不適定問題和正則化方法簡介 7.7.1不適定問題 7.7.2正則化方法 7.7.3常見的正則化方法 7.8討論 第8章非參數(shù)學習機器與集成學習 8.1引言 8.2近鄰法 8.2.1近鄰法 8.2.2k近鄰法 8.2.3近鄰法的快速算法 8.2.4剪輯近鄰法 8.2.5壓縮近鄰法 8.3決策樹與隨機森林 8.3.1非數(shù)值特征的量化 8.3.2決策樹 8.3.3過學習與決策樹的剪枝 8.3.4隨機森林 8.4Boosting集成學習 8.5討論 第9章特征選擇 9.1引言 9.2用于分類的特征評價準則 9.2.1基于類內(nèi)類間距離的可分性判據(jù) 9.2.2基于概率分布的可分性判據(jù) 9.2.3基于熵的可分性判據(jù) 9.2.4利用統(tǒng)計檢驗作為可分性判據(jù) 9.3特征選擇的算法 9.4特征選擇的次優(yōu)算法 9.5遺傳算法 9.6包裹法: 以分類性能為準則的特征選擇方法 9.7討論 第10章特征提取與降維表示 10.1引言 10.2基于類別可分性判據(jù)的特征提取 10.3主成分分析 10.4KarhunenLoève變換 10.4.1KL變換 10.4.2用于監(jiān)督模式識別的KL變換 10.5用本征臉作為人臉識別的特征 10.6高維數(shù)據(jù)的低維可視化 10.7多維尺度(MDS)法 10.7.1MDS的基本概念 10.7.2古典尺度法 10.7.3度量型MDS 10.7.4非度量型MDS 10.7.5MDS在模式識別中的應用舉例 10.8非線性特征變換方法簡介 10.8.1核主成分分析(KPCA) 10.8.2IsoMap方法和LLE方法 10.9tSNE降維可視化方法 10.10討論 第11章非監(jiān)督學習與聚類 11.1引言 11.2基于模型的聚類方法 11.3混合模型的估計 11.3.1混合密度的似然估計 11.3.2混合正態(tài)分布的參數(shù)估計 11.4動態(tài)聚類算法 11.4.1C均值算法(K均值算法) 11.4.2ISODATA方法 11.4.3基于核的動態(tài)聚類算法 11.5模糊聚類方法 11.5.1模糊集的基本知識 11.5.2模糊C均值算法 11.5.3改進的模糊C均值算法 11.6分級聚類方法 11.7自組織映射(SOM)神經(jīng)網(wǎng)絡 11.7.1SOM網(wǎng)絡結(jié)構(gòu) 11.7.2SOM學習算法和自組織特性 11.7.3SOM網(wǎng)絡用于模式識別 11.8一致聚類方法 11.9討論 第12章深度學習 12.1引言 12.2人工神經(jīng)網(wǎng)絡回顧 12.3卷積神經(jīng)網(wǎng)絡(CNN) 12.3.1卷積層 12.3.2匯集(池化) 12.3.3深層卷積神經(jīng)網(wǎng)絡 12.3.4卷積神經(jīng)網(wǎng)絡的演化和幾個代表性模型 12.3.5卷積神經(jīng)網(wǎng)絡在非圖像數(shù)據(jù)上的應用舉例 12.4循環(huán)神經(jīng)網(wǎng)絡(RNN) 12.4.1Hopfield神經(jīng)網(wǎng)絡 12.4.2循環(huán)神經(jīng)網(wǎng)絡 12.5長短時記憶模型(LSTM) 12.6自編碼器、限制性玻爾茲曼機與深度信念網(wǎng)絡 12.6.1自編碼器 12.6.2用多層自編碼器構(gòu)造深度神經(jīng)網(wǎng)絡 12.6.3限制性玻爾茲曼機(RBM) 12.6.4深度自編碼器與深度信念網(wǎng)絡(DBN) 12.7生成模型 12.7.1變分自編碼器(VAE) 12.7.2生成對抗網(wǎng)絡(GAN) 12.8綜合應用舉例 12.8.1中文病歷文本生成 12.8.2人工基因調(diào)控元件的生成 12.9深度學習算法中的部分常用技巧 12.10討論 第13章模式識別系統(tǒng)的評價 13.1引言 13.2監(jiān)督模式識別的錯誤率估計 13.2.1訓練錯誤率 13.2.2測試錯誤率 13.2.3交叉驗證 13.2.4自舉法與0.632估計 13.3有限樣本下錯誤率的區(qū)間估計 13.3.1問題的提出 13.3.2用擾動重采樣估計SVM錯誤率的置信區(qū)間 13.4特征提取與選擇對分類器性能估計的影響 13.5用分類性能進行關系推斷 13.6非監(jiān)督模式識別系統(tǒng)性能的評價 13.6.1聚類質(zhì)量的評價 13.6.2聚類結(jié)果的比較 13.7討論 第14章常用模式識別與機器學習軟件平臺 14.1引言 14.2Python中的模式識別工具包 14.2.1sklearn中的回歸方法使用舉例 14.2.2sklearn中的分類方法使用舉例 14.2.3Python下的深度學習編程舉例 14.2.4國內(nèi)研發(fā)的深度學習平臺簡介 14.3MATLAB中的模式識別工具包 14.3.1MATLAB中的回歸方法使用舉例 14.3.2MATLAB中的分類方法使用舉例 14.4R中的模式識別工具包 14.4.1R中的回歸方法使用舉例 14.4.2R中的分類方法使用舉例 14.5討論 第15章討論: 模式識別、機器學習與人工智能 15.1模式識別 15.2機器學習 15.3多元分析 15.4人工智能 15.5展望 參考文獻 后記 索引
你還可能感興趣
我要評論
|