教育>本科研究生>计算机类
模式识别与机器学习  

模式识别与机器学习  "

作者:李映
ISBN:9787121457104
定价:¥69.0
字数:336千字
页数:240
出版时间:2023-06
开本:16开
版次:01-01
装帧:
出版社:电子工业出版社
简介

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,又兼顾前沿知识和最新模型的融入,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。

前言

前 言 模式识别是从工程角度发展起来的,机器学习是从计算机科学的角度发展起来的。然而,近年来,作为人工智能领域的核心技术和理论,它们之间的渗透越来越明显。前些年,模式识别和机器学习基本上是作为两门独立的课程为高年级本科生和研究生开设的,所用的教材也是独立的。近年来,随着教学课程体系改革,有些高校整合了这两门课程,新设了“模式识别和机器学习”课程,但国内将这两门课程合并的配套教材相对较少。编者从2014年开始讲授本科生的“模式识别与机器学习”课程,从那时起,就编写了配套的讲义作为辅助教材,并且陆续进行了修改和补充,最终将讲义整理成书得以出版。 本书主要介绍模式识别与机器学习的基础理论、典型模型与算法,兼顾了近年来该领域的最新理论成果,如流行学习、深度学习等。全书共9章,第1章绪论介绍模式识别的基本概念和模式识别系统、机器学习的主要方法以及随机变量及分布,使读者全面了解模式识别与机器学习的相关知识。第2章贝叶斯统计决策分析最小错误率判别规则、最小风险判别规则、最大似然比判别规则、Neyman-Pearson判别规则、最小最大判别规则等经典统计决策理论,以及分类器设计、正态分布时的贝叶斯分类方法。第3章概率密度函数的估计介绍最大似然估计、贝叶斯估计、EM估计等参数估计方法,以及Parzen窗和kN近邻估计等非参数估计方法。第4章线性分类与回归模型介绍线性判别函数和决策面、广义线性判别函数、最小均方误差判别等经典线性分类方法,以及线性回归模型和正则化方法。第5章其他分类方法讲述近邻法、逻辑斯蒂回归、决策树与随机森林。第6章无监督学习和聚类介绍无监督混合模型估计,以及动态聚类、层次聚类、谱聚类、模糊聚类、相似性传播聚类等无监督聚类方法。第7章核方法和支持向量机介绍核学习机的基本思想,以及线性和非线性支持向量分类机与回归机。第8章神经网络和深度学习讨论感知器、多层神经网络、自组织映射神经网络等经典神经网络模型,简要介绍包括堆栈式自编码网络、深度置信网络、卷积神经网络、循环神经网络、生成对抗网络、扩散模型和Transformer模型等深度学习模型。第9章特征选择与提取介绍特征选择的一般流程和过滤式、封装式、嵌入式、集成式等典型特征选择方法,线性判别分析、主成分分析等线性特征提取方法,以及核的线性判别分析、核的主成分分析、流行学习等非线性特征提取方法。 由于编著者的理论水平和经验有限,书中难免存在不足之处,敬请读者提出宝贵意见和建议,以便后续有机会再版时加以改进。

目录

第1章 绪论 1 1.1 引言 1 1.2 模式识别的基本概念 3 1.2.1 模式和模式识别 3 1.2.2 模式空间、特征空间和类空间 5 1.2.3 预处理 7 1.2.4 特征提取/选择 7 1.2.5 分类 7 1.3 模式识别系统 8 1.4 机器学习的主要方法 9 1.4.1 监督学习 9 1.4.2 无监督学习 10 1.4.3 半监督学习 11 1.4.4 集成学习 11 1.4.5 强化学习 12 1.5 概率分布 12 1.5.1 随机变量及分布 13 1.5.2 随机向量及分布 16 1.5.3 边际分布 18 1.5.4 条件概率分布 18 1.6 习题 19 第2章 贝叶斯统计决策 20 2.1 引言 20 2.2 最小错误率判别规则 22 2.3 最小风险判别规则 24 2.4 最大似然比判别规则 27 2.5 Neyman-Pearson判别规则 30 2.6 最小最大判别规则 33 2.7 分类器设计 37 2.8 正态分布中的贝叶斯分类方法 41 2.9 小结 50 习题 50 第3章 概率密度函数的估计 52 3.1 引言 52 3.2 最大似然估计 52 3.2.1 最大似然估计基础 52 3.2.2 正态分布下的最大似然估计 54 3.3 贝叶斯估计与贝叶斯学习 56 3.3.1 贝叶斯估计 56 3.3.2 正态分布下的贝叶斯估计 57 3.3.3 贝叶斯学习 59 3.4 EM估计方法 61 3.4.1 EM算法 61 3.4.2 混合正态分布的EM估计 63 3.5 非参数估计方法 65 3.5.1 非参数估计的基本方法与限制条件 65 3.5.2 Parzen窗法 67 3.5.3 kN近邻估计方法 72 3.6 小结 74 习题 74 第4章 线性分类与回归模型 75 4.1 引言 75 4.2 线性判别函数和决策面 75 4.2.1 两类情况 76 4.2.2 多类问题中的线性判别函数 76 4.2.3 设计线性分类器的主要步骤 81 4.3 广义线性判别函数 83 4.4 最小均方误差判别 86 4.4.1 最小均方和准则 86 4.4.2 H-K算法 88 4.4.3 H-K算法的多类推广 90 4.5 线性回归模型 91 4.6 正则化线性回归 92 4.7 小结 94 习题 94 第5章 其他分类方法 96 5.1 近邻法 96 5.1.1 最近邻法 96 5.1.2 k近邻法 96 5.2 逻辑斯蒂回归 99 5.3 决策树与随机森林 102 5.3.1 非数值特征 102 5.3.2 决策树 102 5.3.3 属性选择方法 104 5.3.4 过学习与决策树的剪枝 107 5.3.5 随机森林 108 5.4 小结 109 习题 109 第6章 无监督学习和聚类 110 6.1 引言 110 6.2 混合模型的估计 110 6.2.1 无监督最大似然估计 111 6.2.2 正态分布下的无监督参数估计 112 6.3 动态聚类算法 115 6.3.1 均值聚类算法 116 6.3.2 ISODATA聚类算法 121 6.4 层次聚类算法 127 6.4.1 凝聚的层次聚类算法 127 6.4.2 分裂的层次聚类算法 128 6.5 谱聚类 130 6.6 模糊聚类方法 134 6.6.1 模糊集基本知识 134 6.6.2 模糊c均值算法 135 6.7 相似性传播聚类 136 6.8 小结 138 习题 138 第7章 核方法和支持向量机 139 7.1 引言 139 7.2 核学习机 139 7.3 支持向量机 140 7.3.1 线性可分支持向量机 141 7.3.2 软间隔线性支持向量机 144 7.3.3 非线性支持向量机 146 7.4 支持向量回归机 147 7.5 小结 151 习题 151 第8章 神经网络和深度学习 152 8.1 引言 152 8.2 感知器 153 8.2.1 感知器的概念 153 8.2.2 感知器训练算法及其收敛性 154 8.2.3 感知器准则函数及梯度法 158 8.3 多层前向神经网络 162 8.3.1 多层前向神经网络 163 8.3.2 BP神经网络 165 8.3.3 RBF神经网络 170 8.4 自组织特征映射神经网络 176 8.4.1 SOM神经网络结构 176 8.4.2 SOM神经网络算法 177 8.5 深度学习 179 8.5.1 堆栈式自编码网络(SAE) 179 8.5.2 深度置信网络(DBN) 182 8.5.3 卷积神经网络(CNN) 185 8.5.4 循环神经网络(RNN) 191 8.5.5 生成对抗网络(GAN) 194 8.5.6 扩散模型 196 8.5.7 Transformer模型 197 8.6 小结 201 习题 204 第9章 特征选择与提取 205 9.1 引言 205 9.2 特征选择的一般流程 205 9.2.1 生成特征子集 205 9.2.2 评价准则 207 9.2.3 停止条件和结果验证 209 9.3 特征选择方法 209 9.3.1 过滤式特征选择方法 210 9.3.2 封装式特征选择方法 214 9.3.3 嵌入式特征选择方法 215 9.3.4 集成式特征选择方法 215 9.4 线性特征提取方法 216 9.4.1 线性判别分析 216 9.4.2 主成分分析方法 217 9.5 非线性特征提取方法 219 9.5.1 核线性判别分析 219 9.5.2 核主成分分析 221 9.5.3 流形学习 222 9.6 小结 224 习题 225 参考文献 226

作者简介

编辑推荐

作者寄语

电子资料

www.luweidong.cn

下一个