内容简介 · · · · · ·
《模式识别(第3版)》是清华大学自动化系国家精品课程“模式识别基础”的教材,是在《模式识别》第一版和第二版基础上重写而成的。本教材系统地讨论了模式识别的基本概念和代表性方法,包括监督模式识别中的贝叶斯决策理论、概率密度函数的估计、线性判别函数、非线性判别函数、近邻法、特征选择与提取的典型方法以及非监督模式识别中的基于模型的方法、混合密度估计、动态聚类方法、分级聚类方法等,并在相应章节包括了人工神经网络、支持向量机、决策树与随机森林、罗杰斯特回归、B00sting方法、模糊模式识别等较新进入模式识别领域的内容。整体内容安排力求系统性和实用性,并覆盖部分当前研究前沿。
《模式识别(第3版)》可以作为高等院校自动化、计算机等相关专业高年级本科生和研究生学习模式识别的教材,也可以供计算机信息处理、生物信息学、数据挖掘、统计等各领域中从事模式识别相关工作的广大...
《模式识别(第3版)》是清华大学自动化系国家精品课程“模式识别基础”的教材,是在《模式识别》第一版和第二版基础上重写而成的。本教材系统地讨论了模式识别的基本概念和代表性方法,包括监督模式识别中的贝叶斯决策理论、概率密度函数的估计、线性判别函数、非线性判别函数、近邻法、特征选择与提取的典型方法以及非监督模式识别中的基于模型的方法、混合密度估计、动态聚类方法、分级聚类方法等,并在相应章节包括了人工神经网络、支持向量机、决策树与随机森林、罗杰斯特回归、B00sting方法、模糊模式识别等较新进入模式识别领域的内容。整体内容安排力求系统性和实用性,并覆盖部分当前研究前沿。
《模式识别(第3版)》可以作为高等院校自动化、计算机等相关专业高年级本科生和研究生学习模式识别的教材,也可以供计算机信息处理、生物信息学、数据挖掘、统计等各领域中从事模式识别相关工作的广大科技人员和高校师生参考。
作者简介 · · · · · ·
张学工
1994年于清华大学模式识别与智能系统专业获工学博士学位,现任清华大学自动化系教授。主要从事机器学习的理论、方法与应用研究和生物信息学研究。
目录 · · · · · ·
1.1 模式与模式识别
1.2 模式识别的主要方法
1.3 监督模式识别与非监督模式识别
1.4 模式识别系统举例
1.5 模式识别系统的典型构成
1.6 本书的主要内容
第2章 统计决策方法
2.1 引言: 一个简单的例子
2.2 最小错误率贝叶斯决策
2.3 最小风险贝叶斯决策
2.4 两类错误率、NeymanPearson决策与ROC曲线
2.5 正态分布时的统计决策
2.5.1 正态分布及其性质回顾
2.5.2 正态分布概率模型下的最小错误率贝叶斯决策
2.6 错误率的计算
2.6.1 正态分布且各类协方差矩阵相等情况下错误率的计算
2.6.2 高维独立随机变量时错误率的估计
2.7 离散概率模型下的统计决策举例
2.8 小结与讨论
第3章 概率密度函数的估计
3.1 引言
3.2 最大似然估计
3.2.1 最大似然估计的基本原理
3.2.2 最大似然估计的求解
3.2.3 正态分布下的最大似然估计
3.3 贝叶斯估计与贝叶斯学习
3.3.1 贝叶斯估计
3.3.2 贝叶斯学习
3.3.3 正态分布时的贝叶斯估计
3.3.4 其他分布的情况
3.4 概率密度估计的非参数方法
3.4.1 非参数估计的基本原理与直方图方法
3.4.2 kN近邻估计方法
3.4.3 Parzen窗法
3.5 讨论
第4章 线性分类器
4.1 引言
4.2 线性判别函数的基本概念
4.3 Fisher线性判别分析
4.4 感知器
4.5 最小平方误差判别
4.6 最优分类超平面与线性支持向量机
4.6.1 最优分类超平面
4.6.2 大间隔与推广能力
4.6.3 线性不可分情况
4.7 多类线性分类器
4.7.1 多个两类分类器的组合
4.7.2 多类线性判别函数
4.8 小结与讨论
第5章 非线性分类器
5.1 引言
5.2 分段线性判别函数
5.2.1 分段线性距离分类器
5.2.2 一般的分段线性判别函数
5.3 二次判别函数
5.4 多层感知器神经网络
5.4.1 神经元与感知器
5.4.2 用多个感知器实现非线性分类
5.4.3 采用反向传播算法的多层感知器
5.4.4 多层感知器网络用于模式识别
5.4.5 神经网络结构的选择
5.4.6 前馈神经网络与传统模式识别方法的关系
5.4.7 人工神经网络的一般知识
5.5 支持向量机
5.5.1 广义线性判别函数
5.5.2 核函数变换与支持向量机
5.5.3 支持向量机应用举例
5.5.4 支持向量机的实现算法
5.5.5 多类支持向量机
5.5.6 用于函数拟合的支持向量机
5.6 核函数机器
5.6.1 大间隔机器与核函数机器
5.6.2 核Fisher判别
5.7 小结与讨论
第6章 其他分类方法
6.1 近邻法
6.1.1 最近邻法
6.1.2 k近邻法
6.1.3 近邻法的快速算法
6.1.4 剪辑近邻法
6.1.5 压缩近邻法
6.2 决策树与随机森林
6.2.1 非数值特征
6.2.2 决策树
6.2.3 过学习与决策树的剪枝
6.2.4 随机森林
6.3 罗杰斯特回归
6.4 Boosting方法
6.5 讨论
第7章 特征选择
7.1 引言
7.2 特征的评价准则
7.2.1 基于类内类间距离的可分性判据
7.2.2 基于概率分布的可分性判据
7.2.3 基于熵的可分性判据
7.2.4 利用统计检验作为可分性判据
7.3 特征选择的最优算法
7.4 特征选择的次优算法
7.5 特征选择的遗传算法
7.6 以分类性能为准则的特征选择方法
7.7 讨论
第8章 特征提取
8.1 引言
8.2 基于类别可分性判据的特征提取
8.3 主成分分析方法
8.4 KarhunenLoève变换
8.4.1 KL变换的基本原理
8.4.2 用于监督模式识别的KL变换
8.5 KL变换在人脸识别中的应用举例
8.6 高维数据的低维显示
8.7 多维尺度法
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在模式识别中的应用
8.8 非线性变换方法简介
8.8.1 核主成分分析(KPCA)
8.8.2 IsoMap方法和LLE方法
8.9 讨论
第9章 非监督模式识别
9.1 引言
9.2 基于模型的方法
9.3 混合模型的估计
9.3.1 非监督最大似然估计
9.3.2 正态分布情况下的非监督参数估计
9.4 动态聚类算法
9.4.1 C均值算法
9.4.2 ISODATA方法
9.4.3 基于样本与核的相似性度量的动态聚类算法
9.5 模糊聚类方法
9.5.1 模糊集的基本知识
9.5.2 模糊C均值算法
9.5.3 改进的模糊C均值算法
9.6 分级聚类方法
9.7 自组织映射神经网络
9.7.1 SOM网络结构
9.7.2 SOM学习算法和自组织特性
9.7.3 SOM用于模式识别
9.8 讨论
第10章 模式识别系统的评价
10.1 监督模式识别方法的错误率估计
10.1.1 训练错误率
10.1.2 测试错误率
10.1.3 交叉验证
10.1.4 自举法与632估计
10.2 有限样本下错误率的区间估计问题
10.2.1 问题的提出
10.2.2 用扰动重采样估计SVM错误率的置信区间
10.3 特征提取与选择对分类器性能估计的影响
10.4 从分类的显著性推断特征与类别的关系
10.5 非监督模式识别系统性能的评价
10.6 讨论
索引
参考文献
· · · · · · (收起)
原文摘录 · · · · · ·
喜欢读"模式识别"的人也喜欢 · · · · · ·
模式识别的书评 · · · · · · ( 全部 5 条 )
除了失望,……没别的了
SVM与核函数讲的太水了
> 更多书评 5篇
这本书的其他版本 · · · · · · ( 全部4 )
-
清华大学出版社 (2000)7.4分 85人读过
-
清华大学出版社 (2021)暂无评分 5人读过
-
清华大学出版社 (2001)暂无评分 2人读过
以下书单推荐 · · · · · · ( 全部 )
- 模式识别 (西瓜太忙)
- 计算机 (徐永冰)
- 每一本书,都是一个新大陆 (靠谱的帅哥)
- 数据与决策 (嫱)
- 自用2011 (cruyff)
谁读这本书? · · · · · ·
二手市场
· · · · · ·
订阅关于模式识别的评论:
feed: rss 2.0
7 有用 靠谱的帅哥 2013-01-13 23:09:00
好教材。需要数理统计,最优化的基础,最好先学一门《机器学习》,再看这本书时,就会流畅许多。我对非监督学习的内容接触的少,所以本书最后50页,看得慢了许多。1.面面俱到,该讲的都讲了,提纲挈领不废话 。2.有实例介绍,多为作者自己的研究案例,讲得明白。 3.作者讲出了作者自己对模式识别的思考和想法,不是抄来抄去的拼凑。4.作者是中国人,语言通顺,比翻译版课本易读。
0 有用 erik 2019-07-23 17:23:56
教材教材
0 有用 Kevin 2018-03-10 20:03:07
经典模式识别教材
0 有用 林晓溪 2020-11-19 07:47:54
还不错的,比较全面。清华自动化系很强!
0 有用 Karl Marx 2020-10-15 13:19:20
研究生教材
0 有用 男神欧拉 2022-12-17 15:48:56 山东
第一遍看需要自己额外补充很多,整理的话按照具体算法整理会更清晰,比如对于svm自己整理出hard svm, soft margin svm, kernel svm,这样能更好的看出来这个算法怎么改进的。以及有些主流内容有缺失,比如GMM这里缺了EM的介绍,需要搭配别的书一起看。个人觉得总体不适合新手入门,基本没有例子,推导也不详尽,会的看了还是会,不会的看了还是不会。
0 有用 毕设给我过吧🙏 2022-11-16 15:06:31 湖北
应付考试而已
0 有用 Sisyphusurper 2022-06-27 03:27:55
读完 最后一门 五星求过🙏🏼
0 有用 常盤貴子 2021-08-17 09:02:39
《统计学习方法》精简版,介绍了不少机器学习算法,作为机器学习入门可以。不过本书比较老(比统计学习方法和西瓜书都要早出版),而且书上没有代码,而且要深入研究模式识别还得读PRML。
0 有用 星际旅行记录 2021-06-26 19:48:51
生动具体 不错