码农pdf
大数据
java
分布式
高并发
移动开发
人工智能
微服务
数据库
办公软件
考试面试
模式分类计算机科学丛书人工智能模式识别教材百度网盘pdf下载
作者:
简介:本篇主要提供模式分类计算机科学丛书人工智能模式识别教材pdf下载
出版社:互动创新图书专营店
出版时间:2003-09
pdf下载价格:0.00¥
免费下载
前去下载
书籍下载
下载地址
内容介绍
书[0名0]:
模式分类(原书[0第0]2版)|14573
图书定价:
59元
图书作者:
[美]Richard O.Duda,Peter E.Hart,David G.Stork
出版社:
[1机1]械工业出版社
出版日期:
2003/9/1 0:00:00
ISBN号:
7111121481
开本:
16开
页数:
530
版次:
2-1
作者简介
Richard O.Duda 于麻省理工[0学0]院获得电气工程博士[0学0]位,是加州san Jose洲立[0大0][0学0]电气工程系[0名0]誉教授。他是美[0国0]人工智能[0学0][0会0][0会0]士,IEEE[0会0]士。Peter E. Hart 是加州Ricoh In[0no0]vations公司的创始人、总裁和CEO,同时还是理[1光1]公司的高级副总裁,在此之前曾任理[1光1]加州研究中心的高级副总裁。他是美[0国0]人工智能[0学0][0会0][0会0]士、IEEE[0会0]士,曾获IEEE信息论协[0会0]50周年论文奖。Duda C.Stork 于马里兰[0大0][0学0]获得博士[0学0]位,现任加州Ricoh In[0no0]vations公司的[0首0]席科[0学0]家,同时也是斯坦福[0大0][0学0]电气工程与计算[1机1]科[0学0]客座教授。
内容简介
本书的[0第0]1版《模式分类与场景分析》出版于1973年,是模式识别和场景分析[令页]域奠基性的[纟巠]典[0名0]著。在[0第0]2版中,除了保留了[0第0]1版的关于统计模式识别和结构模式识别的[1主1]要内容以外,读者将[0会0]发现[亲斤]增了许多近25年来的[亲斤]理论和[亲斤]方[0法0],其中包括神[纟巠]网络、[1机1]器[0学0]习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计[0学0]习理论和支持向量[1机1]等。作者还为来来25年的模式识别的发展指明了方向。书中包含许多实例,各种不同方[0法0]的对比,丰富的图表,以及[0大0]量的课后习题和计算[1机1]练习。 本书作为流行和[纟巠]典的教材,[1主1]要[mian]向电子工程、计算[1机1]科[0学0]、数[0学0]和统计[0学0]、媒体处理、模式识别、计算[1机1]视觉、人工智能和认[0知0]科[0学0]等[令页]域的研究生和高年级本科生,也可—作为相关[令页]域科技人员的重要参考书。
目录
出版者的话
专家指导委员[0会0]
译者序
前言
[0第0]1章 绪论
1. 1 [1机1]器感[0知0]
1. 2 一个例子
1. 3 模式识别系统
1. 3. 1 传感器
1. 3. 2 分割和组织
1. 3. 3 特征[扌是]取
1. 3. 4 分类器
1. 3. 5 后处理
1. 4 设计循环
1. 4.1 数据采集
1. 4. 2 特征选择
1. 4. 3 模型选择
1. 4. 4 训练
1. 4.5 [0评0]价
1. 4. 6 计算复杂度
1. 5 [0学0]习和适应,
1. 5. 1 有监督[0学0]习
1. 5. 2 无监督[0学0]习
1. 5. 3 强化[0学0]习
1. 6 本章小结
全书各章概要
文献和历[0史0][0评0]述
参考文献
[0第0]2章 贝叶斯决策论
2. 1 引言
2. 2 贝叶斯决策论--连续特征
2. 3 [z1u1i]小误差率分类
2. 3. 1 [0极0]小化[0极0][0大0]准则
2. 3. 2 Neyman-Pearson准则
2. 4 分类器、判别函数及判定[mian]
2. 4. 1 多类情况
2.4. 2 两类情况
2. 5 正态密度
2. 5.1 单变量密度函数
2. 5. 2 多元密度函数
2. 6 正态分布的判别函数
2. 6. 1 情况1:∑i= I
2.6.2 情况2:∑i=∑
2.6.3 情况3:∑i=任意
2. 7 误差概率和误差积分
2.8 正态密度的误差上界
2.8.1 Cher[0no0]ff界
2.8.2 Bhattacharyya界
2.8.3 信号检测理论和操作特性
2.9 贝叶斯决策论--离散特征
2.9.1 [0独0]立的二值特征
2. 10 丢失特征和噪声特征
2.10.1 丢失特征
2. 10. 2 噪声特征
2. 11 贝叶斯置信网
2. 12 复合贝叶斯决策论及上下文
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]3章 [z1u1i][0大0]似然估计和贝叶斯参数
估计
3.1 引言
3.2 [z1u1i][0大0]似然估计
3. 2. 1 基本原理
3. 2.2 高斯情况:u未[0知0]
3.2.3 高斯情况:u和∑均未[0知0]
3. 2. 4 估计的偏差
3. 3 贝叶斯估计
3.3. 1 类条[亻牛]密度
3. 3. 2 参数的分布
3.4 贝叶斯参数估计:高斯情况
3.4. 1 单变量情况:p(u|D)
3. 4.2 单变量情况:p(x|D)
3. 4.3 多变量情况
3.5 贝叶斯参数估计:一般理论
3.5. 1 [z1u1i][0大0]似然方[0法0]和贝叶斯方[0法0]何时有区别
3.5. 2 无信息先验和不变性
3. 5. 3 吉布斯算[0法0]
3. 6 充分统计量
3.7 维数问题
3.7.1 精度、维数和训练集的[0大0]小
3.7.2 计算复杂度
3.7.3 过拟合
3.8 成分分析和判别函数
3.8. 1 [1主1]成分分析
3.8.2 Fisher线性判别分析
3. 8. 3 多重判别分析
3.9 期望[z1u1i][0大0]化算[0法0]
3.10 隐马尔可夫模型
3.10.1 一阶马尔可夫模型
3.10.2 一阶隐马尔可夫模型
3.10.3 隐马尔可夫模型的计算
3. 10. 4 估值问题
3.10. 5 解码问题
3. 10. 6 [0学0]习问题
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]4章 非参数技术
4.1 引言
4.2 概率密度的估计
4.3 Parzen窗方[0法0]
4.3.1 均值的收敛性
4.3. 2 方差的收敛性
4. 3. 3 举例说明
4.3. 4 分类的例子
4.3.5 概率神[纟巠]网络
4.3. 6 窗函数的选取
4.4 kn-近邻估计
4.4. 1 kn-近邻估计和Parzen窗估计
4.4. 2 后验概率的估计
4. 5 [z1u1i]近邻规则
4.5. 1 [z1u1i]近邻规则的收敛性
4.5.2 [z1u1i]近邻规则的误差率
4.5. 3 误差界
4. 5. 4 k-近邻规则
4.5. 5 k-近邻规则的计算复杂度
4.6 距离度量和[z1u1i]近邻分类
4.6. 1 度量的性质
4. 6.2 切空间距离
4.7 模糊分类
4.8 RCE网络
4.9 级数展开逼近
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]5章 线性判别函数
5.1 引言
5.2 线性判别函数和判定[mian]
5. 2.1 两类情况
5. 2.2 多类的情况
5.3 广义线性判别函数
5.4 两类线性可分的情况
5. 4. 1 几何解释和术语
5.4.2 梯度下降算[0法0]
5.5 感[0知0]器准则函数[z1u1i]小化
5.5.1 感[0知0]器准则函数
5.5.2 单个样本校正的收敛性证明
5. 5.3 一些直接的推广
5.6 松弛算[0法0]
5. 6.1 下降算[0法0]
5.6. 2 收敛性证明
5. 7 不可分的情况
5.8 [z1u1i]小平方误差方[0法0],
5.8. 1 [z1u1i]小平方误差及伪逆
5.8. 2 与Fisher线性判别的关系
5.8. 3 [z1u1i][0优0]判别的渐近逼近
5.8.4 Widrow-Hoff算[0法0]或[z1u1i]小均方算[0法0]
5. 8. 5 随[1机1]逼近[0法0]
5.9 Ho-Kashyap算[0法0]
5.9. 1 下降算[0法0]
5. 9.2 收敛性证明
5.9. 3 不可分的情况
5.9. 4 一些相关的算[0法0]
5.10 线性规划算[0法0]
5.10.1 线性规划
5.10.2 线性可分情况
5.10.3 [0极0]小化感[0知0]器准则函数
5.11 支持向量[1机1]
5.12 推广到多类问题
5.12. 1 Kesler构造[0法0]
5.12. 2 固定增量规则的收敛性
5.12.3 MSE算[0法0]的推广
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]6章 多层神[纟巠]网络
6. 1 引言
6. 2 前馈运算和分类
6. 2.1 一般的前馈运算
6.2.2 多层网络的表达能力
6.3 反向传播算[0法0]
6.3. 1 网络[0学0]习
6.3.2 训练协议
6. 3. 3 [0学0]习曲线
6. 4 误差曲[mian]
6.4.1 一些小型网络
6.4. 2 异或(XOR)问题
6.4. 3 较[0大0]型的网络
6.4.4 关于多重[0极0]小
6. 5 反向传播作为特征映射
6.5.1 隐含层的内部表示--[0[0权0]0]值
6. 6 反向传播、贝叶斯理论及概率
6. 6. 1 贝叶斯判别与神[纟巠]网络
6.6. 2 作为概率的输出
6.7 相关的统计技术
6.8 改进反向传播的一些实用技术
6.8.1 激活函数
6.8.2 sigmoid函数的参数
6.8.3 输入信号尺度变换
6.8. 4 目标值
6.8.5 带噪声的训练[0法0]
6.8.6 人工"制造"数据
6. 8. 7 隐单元数
6. 8. 8 [0[0权0]0]值初始化
6.8. 9 [0学0]习率
6. 8. 10 冲量项
6. 8. 11 [0[0权0]0]值衰减
6. 8. 12 线索
6.8. 13 在线训练、随[1机1]训练或成批训练
6. 8. 14 停止训练
6. 8. 15 隐含层数
6.8.16 误差准则函数
6. 9 二阶技术
6.9. 1 赫森矩阵
6.9. 2 牛顿[0法0]
6. 9. 3 Quickprop算[0法0]
6.9.4 共轭梯度[0法0]
6. 10 其他网络和训练算[0法0]
6.10.1 径向基函数网络
6.10.2 特殊的基函数
6. 10.3 匹配滤波器
6.10. 4 卷积网络
6.10.5 递归网络
6.10.6 级联相关
6.11 正则化、复杂度调节和剪枝
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]7章 随[1机1]方[0法0]
7.1 引言
7. 2 随[1机1]搜索
7.2.1 模拟退火
7.2.2 Boltzmann因子
7.2.3 确定性模拟退火
7.3 Boltzmann[0学0]习
7.3.1 可见状态的随[1机1]Boltzmann[0学0]习
7.3.2 丢失特征和类别约束
7.3.3 确定性Boltzmann[0学0]习
7.3. 4 初始化和参数设置
7.4 Boltzmann网络和图示模型
7. 5 进化方[0法0]
7.5.1 遗传算[0法0]
7.5.2 其他启发式方[0法0]
7.5.3 遗传算[0法0]如何起作用
7.6 遗传规划
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]8章 非度量方[0法0]
8.1 引言
8.2 判定树
8.3 CART
8.3.1 分支数目
8.3.2 查询的选取与节点不纯度
8.3.3 分支停止准则
8.3.4 剪枝
8.3.5 叶节点的标记
8. 3.6 计算复杂度
8.3.7 特征选择
8.3.8 多元判定树
8.3.9 先验概率和代价函数
8.3. 10 属性丢失问题
8. 4 其他树方[0法0]
8.4.1 ID3
8. 4. 2 C4.5
8. 4. 3 哪种树分类器是[z1u1i][0优0]的
8. 5 串的识别
8. 5. 1 串匹配
8. 5. 2 编辑距离
8. 5. 3 计算复杂度
8. 5.4 容错的串匹配
8. 5.5 带通配符的串匹配
8. 6 文[0法0]方[0法0]
8.6. 1 文[0法0]
8. 6. 2 串文[0法0]的类型
8. 6.3 利用文[0法0]的识别
8. 7 文[0法0]推断
8. 8 基于规则的方[0法0]
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]9章 [0独0]立于算[0法0]的[1机1]器[0学0]习
9.1 引言
9. 2 没有天生[0优0]越的分类器
9. 2.1 没有免费的午餐定理,
9.2. 2 丑小鸭定理
9.2. 3 [z1u1i]小描述长度
9.2. 4 [z1u1i]小描述长度原理
9. 2. 5 避免过拟合及Occam剃刀原理
9.3 偏差和方差
9.3.1 回归中的偏差和方差关系
9.3.2 分类中的偏差和方差关系
9. 4 统计量估计中的重采样技术
9. 4. 1 刀切[0法0](jackknife)
9.4.2 自助[0法0](bootstrap)
9. 5 分类器设计中的重采样技术
9.5.1 bagging算[0法0]
9. 5. 2 boosting[0法0]
9. 5. 3 基于查询的[0学0]习
9. 5. 4 arcing、基于查询的[0学0]习、偏差和方差
9.6 分类器的[0评0]价和比较
9. 6. 1 参数模型
9.6.2 交叉验证
9. 6.3 分类准确率的"刀切[0法0]"和"自助[0法0]"估计
9. 6. 4 [z1u1i][0大0]似然模型比较
9. 6. 5 贝叶斯模型比较
9. 6.6 问题平均误差率
9. 6. 7 从[0学0]习曲线预测[z1u1i]终性能
9.6. 8 单个分割平[mian]的能力
9.7 组合分类器
9.7. 1 有判别函数的分量分类器
9. 7. 2 无判别函数的分量分类器
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
[0第0]10章 无监督[0学0]习和聚类
10.1 引言
10. 2 混合密度和可辨识性
10.3 [z1u1i][0大0]似然估计
10.4 对混合正态密度的应用
10.4.1 情况1:均值向量未[0知0]
10.4.2 情况2:所有参数未[0知0]
10. 4.3 k-均值聚类
10.4. 4 模糊k-均值聚类
10. 5 无监督贝叶斯[0学0]习
10.5. 1 贝叶斯分类器
10.5.2 参数向量的[0学0]习
10.5.3 判定导向的近似解
10.6 数据描述和聚类
10.7 聚类的准则函数
10. 7. 1 误差平方和准则
10.7.2 相关的[z1u1i]小方差准则
10.7.3 散布准则
10. 8 迭代[z1u1i][0优0]化
10. 9 层次聚类
10.9. 1 定义
10.9. 2 基于合并的层次聚类方[0法0]
10. 9. 3 逐步[0优0]化的层次聚类
10.9. 4 层次聚类和导出度量
10. 10 验证问题
10.11 在线聚类
10. 11. 1 聚类数目未[0知0]
10. 11. 2 自适应共振网
10.11.3 基于[0评0]判的[0学0]习
10.12 图论方[0法0]
10.13 成分分析
10.13.1 [1主1]成分分析
10. 13. 2 非线性成分分析
10.13.3 [0独0]立成分分析
10.14 低维数据表示和多维尺度变换
10.14. 1 自组织特征映射
10.14. 2 聚类与降维
本章小结
文献和历[0史0][0评0]述
习题
上[1机1]练习
参考文献
附录A 数[0学0]基础
A.1 符号和记号
A.2 线性代数
A.2.1 符号和基础[0知0]识
A.2.2 向量内积
A.2.3 向量外积
A.2.4 矩阵的导数
A.2.5 行列式和迹
A.2.6 矩阵的逆
A.2.7 本征向量和本征值
A.3 拉格朗日乘数[0法0]
A.4 概率论
A. 4.1 离散随[1机1]变量
A.4.2 数[0学0]期望
A.4.3 成对离散随[1机1]变量
A.4.4 统计[0独0]立性
A.4. 5 两个自变量的函数的数[0学0]期望
A.4.6 条[亻牛]概率
A.4.7 全概率公式和贝叶斯公式
A.4.8 随[1机1]向量
A.4.9 期望值、均值向量和协方差矩阵
A.4.10 连续随[1机1]变量
A.4.11 [0独0]立随[1机1]变量和的分布
A.4.12 正态分布
A.5 高斯函数的导数和积分
A.5.1 多元正态概率密度
A.5. 2 二元正态分布
A.6 [jia]设检验
A.7 信息论基础
A.7.1 熵和信息量
A.7.2 相对熵
A.7.3 互传信息量
A.8 计算复杂度
文献[0评0]述
参考文献
索引
编辑推荐
开发和研究模式识别系统的实践者,无论其应用涉及语音识别、字符识别、图像处理还是信号分析,常[0会0]遇到需要从[0大0]量令人迷惑的技术中做出选择的难题。这本[0独0]一无二的教材及专业参考书,为你准备了充足的资料和信息,供你选择[z1u1i]适合的技术。作为一本在过去几十年内模式识别[令页]域[纟巠]典著作的[亲斤]版,这一版本更[亲斤]并扩充了原作,重点介绍模式分类及该[令页]域近年来的[1巨1][0大0]进展。本书已被卡内基-梅隆、哈佛、斯坦福、剑桥等120多所[0大0][0学0]采用为教材。本书作为流行和[纟巠]典的教材和专业参考书,[1主1]要[mian]向电子工程、计算[1机1]科[0学0]、数[0学0]和统计[0学0]、媒体处理、模式识别、计算[1机1]视觉、人工智能和认[0知0]科[0学0]等[令页]域的研究生和相关[令页]域的科技人员。
相关内容
傅里叶分析
计算机科学导论计算机理论、基础知识
现代机器人学:机构、规划与控制机器人学基础理论知识入门教材
现代操作系统计算机科学丛书
企业IT架构转型之道阿里巴巴中台战略思想与架构实战钟华
高级编译器设计与实现鲸书中文版计算机科学丛书封面已更新