《模型分類》是2003年9月機械工業出版社出版的圖書，作者是（美）迪達，譯者是李宏東。
基本介紹
- 書名：模型分類
- 作者：（美）迪達
- 譯者：李宏東
- ISBN：7111121481
- 出版社：機械工業出版社
- 出版時間：2003年9月
- 裝幀：平裝
- 開本：16開
- 叢書名：計算機科學叢書
- 條形碼：9787111121480
- 版次：第1版
編輯推薦,內容簡介,圖書目錄,
編輯推薦
《模式分類》（原書第2版）已被卡內基-梅隆、哈佛、斯坦福、劍橋等120多所大學採用為教材。本書作為流行和經典的教材和專業參考書，主要面向電子工程、計算機科學、數學和統計學、媒體處理、模式識別、計算機視覺、人工智慧和認知科學等領域的研究生和相關領域的科技人員。開發和研究模式識別系統的實踐者，無論其套用涉及語音識別、字元識別、圖像處理還是信號分析，常會遇到需要從大量令人迷惑的技術中做出選擇的難題。這本教材及專業參考書，為你準備了充足的資料和信息，供你選擇最適合的技術。作為一本在過去幾十年內模式識別領域經典著作的新版，這一版本更新並擴充了原作，重點介紹模式分類及該領域近年來的巨大進展。
內容簡介
《模式分類》（原書第2版）的第1版《模式分類與場景分析》出版於1973年，是模式識別和場景分析領域奠基性的經曲名著。在第2版中，除了保留了第1版的關於統計模式識別和結構模式識別的主要內容以外，讀者將會發現新增了許多近25年來的新理論和新方法，其中包括神經網路、機器學習、數據挖掘、進化計算、不變數理論、隱馬爾可夫模型、統計學習理論和支持向量機等。作者還為未來25年的模式識別的發展指明了方向。書中包含許多實例，各種不同方法的對比，豐富的圖表，以及大量的課後習題和計算機練習。
圖書目錄
出版者的話
譯者序
前言
第1章 緒論
1.1 機器感知
1.2 一個例子
1.3 模式識別系統
1.3.1 感測器
1.3.2 分割和組織
1.3.3 特徵提取
1.3.4 分類器
1.3.5 後處理
1.4 設計循環
1.4.1 數據採集
1.4.2 特徵選擇
1.4.3 模型選擇
1.4.4 訓練
1.4.5 評價
1.4.6 計算複雜度
1.5 學習和適應
1.5.1 有監督學習
1.5.2 無監督學習
1.5.3 強化學習
1.6 本章小結
全書各章概要
文獻和歷史評述
參考文獻
第2章 貝葉斯決策論
2.1 引言
2.2 貝葉斯決策論——連續特徵
2.3 最小誤差率分類
2.3.1 極小化極大準則
2.3.2 Neyman-Pearson準則
2.4 分類器、判別函式及判定面
2.4.1 多類情況
2.4.2 兩類情況
2.5 正態密度
2.5.1 單變數密度函式
2.5.2 多元密度函式
2.6 常態分配的判別函式
2.6.1 情況1：∑iδI
2.6.2 情況2：∑i=∑
2.6.3 情況3：∑=任意
2.7 誤差機率和誤差積分
2.8 正態密度的誤差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信號檢測理論和操作特性
2.9 貝葉斯決策論——離散特徵
2.9.1 獨立的二值特徵
2.1 0丟失特徵和噪聲特徵
2.1 0.1 丟失特徵
2.1 0.2 噪聲特徵
2.1 1貝葉斯置信網
2.1 2複合貝葉斯決策論及上下文
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第3章 最大似然估計和貝葉斯參數估計
3.1 引言
3.2 最大似然估計
3.2.1 基本原理
3.2.2 高斯情況：u未知
3.2.3 高斯情況：u和∑均未知
3.2.4 估計的偏差
3.3 貝葉斯估計
3.3.1 類條件密度
3.3.2 參數的分布
3.4 貝葉斯參數估計：高斯情況
3.4.1 單變數情況：P(U|D)
3.4.2 單變數情況：P(z|D)
3.4.3 多變數情況
3.5 貝葉斯參數估計：一般理論
3.5.1 最大似然方法和貝葉斯方法何時有區別
3.5.2 無信息先驗和不變性
3.5.3 吉布斯算法
3.6 充分統計量
3.7 維數問題
3.7.1 精度、維數和訓練集的大
3.7.2 計算複雜度
3.7.3 過擬合
3.8 成分分析和判別函式
3.8.1 主成分分析
3.8.2 Fisher線性判別分析
3.8.3 多重判別分析
3.9 期望最大化算法
3.10 隱馬爾可夫模型
3.10.1 一階馬爾可夫模型
3.10.2 一階隱馬爾可夫模型
3.10.3 隱馬爾可夫模型的計算
3.10.4 估值問題
3.10.5 解碼問題
3.10.6 學習問題
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第4章 非參數技術
4.1 引言
4.2 機率密度的估計
4.3 Parzen窗方法
4.3.1 均值的收斂性
4.3.2 方差的收斂性
4.3.3 舉例說明
4.3.4 分類的例子
4.3.5 機率神經網路
4.3.6 窗函式的選取
4.4 Kπ近鄰估計
4.4.1 Kπ近鄰估計和Parzen窗估計
4.4.2 後驗機率的估計
4.5 最近鄰規則
4.5.1 最近鄰規則的收斂性
4.5.2 最近鄰規則的誤差率
4.5.3 誤差界
4.5.4 K-近鄰規則
4.5.5 K-近鄰規則的計算複雜度
4.6 距離度量和最近鄰分類
4.6.1 度量的性質
4.6.2 切空間距離
4.7 模糊分類
4.8 RCE網路
4.9 級數展開逼近
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第5章 線性判別函式
5.1 引言
5.2 線性判別函式和判定面
5.2.1 兩類情況
5.2.2 多類的情況
5.3 廣義線性判別函式
5.4 兩類線性可分的情況
5.4.1 幾何解釋和術語
5.4.2 梯度下降算法
5.5 感知器準則函式最小化
5.5.1 感知器準則函式
5.5.2 單個樣本校正的收斂性證明
5.5.3 一些直接的推廣
5.6 鬆弛算法
5.6.1 下降算法
5.6.2 收斂性證明
5.7 不可分的情況
5.8 最小平方誤差方法
5.8.1 最小平方誤差及偽逆
5.8.2 與Fisher線性判別的關係
5.8.3 最優判別的漸近逼近
5.8.4 Widrow-Hoff算法或最小均方算法
5.8.5 隨機逼近法
5.9 Ho-Kashyap算法
5.9.1 下降算法
5.9.2 收斂性證明
5.9.3 不可分的情況
5.9.4 一些相關的算法
5.10 線性規划算法
5.10.1 線性規劃
5.10.2 線性可分情況
5.10.3 極小化感知器準則函式
5.11 支持向量機
5.12 推廣到多類問題
5.12.1 Kesler構造法
5.12.2 固定增量規則的收斂性
5.12.3 MSE算法的推廣
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
……
第7章 隨機方法
第8章 非度量方法
第9章 獨立於算法的機器學習
第10章 無監督學習和聚類
附錄A 數學基礎
參考文獻
索引
譯者序
前言
第1章 緒論
1.1 機器感知
1.2 一個例子
1.3 模式識別系統
1.3.1 感測器
1.3.2 分割和組織
1.3.3 特徵提取
1.3.4 分類器
1.3.5 後處理
1.4 設計循環
1.4.1 數據採集
1.4.2 特徵選擇
1.4.3 模型選擇
1.4.4 訓練
1.4.5 評價
1.4.6 計算複雜度
1.5 學習和適應
1.5.1 有監督學習
1.5.2 無監督學習
1.5.3 強化學習
1.6 本章小結
全書各章概要
文獻和歷史評述
參考文獻
第2章 貝葉斯決策論
2.1 引言
2.2 貝葉斯決策論——連續特徵
2.3 最小誤差率分類
2.3.1 極小化極大準則
2.3.2 Neyman-Pearson準則
2.4 分類器、判別函式及判定面
2.4.1 多類情況
2.4.2 兩類情況
2.5 正態密度
2.5.1 單變數密度函式
2.5.2 多元密度函式
2.6 常態分配的判別函式
2.6.1 情況1：∑iδI
2.6.2 情況2：∑i=∑
2.6.3 情況3：∑=任意
2.7 誤差機率和誤差積分
2.8 正態密度的誤差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信號檢測理論和操作特性
2.9 貝葉斯決策論——離散特徵
2.9.1 獨立的二值特徵
2.1 0丟失特徵和噪聲特徵
2.1 0.1 丟失特徵
2.1 0.2 噪聲特徵
2.1 1貝葉斯置信網
2.1 2複合貝葉斯決策論及上下文
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第3章 最大似然估計和貝葉斯參數估計
3.1 引言
3.2 最大似然估計
3.2.1 基本原理
3.2.2 高斯情況：u未知
3.2.3 高斯情況：u和∑均未知
3.2.4 估計的偏差
3.3 貝葉斯估計
3.3.1 類條件密度
3.3.2 參數的分布
3.4 貝葉斯參數估計：高斯情況
3.4.1 單變數情況：P(U|D)
3.4.2 單變數情況：P(z|D)
3.4.3 多變數情況
3.5 貝葉斯參數估計：一般理論
3.5.1 最大似然方法和貝葉斯方法何時有區別
3.5.2 無信息先驗和不變性
3.5.3 吉布斯算法
3.6 充分統計量
3.7 維數問題
3.7.1 精度、維數和訓練集的大
3.7.2 計算複雜度
3.7.3 過擬合
3.8 成分分析和判別函式
3.8.1 主成分分析
3.8.2 Fisher線性判別分析
3.8.3 多重判別分析
3.9 期望最大化算法
3.10 隱馬爾可夫模型
3.10.1 一階馬爾可夫模型
3.10.2 一階隱馬爾可夫模型
3.10.3 隱馬爾可夫模型的計算
3.10.4 估值問題
3.10.5 解碼問題
3.10.6 學習問題
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第4章 非參數技術
4.1 引言
4.2 機率密度的估計
4.3 Parzen窗方法
4.3.1 均值的收斂性
4.3.2 方差的收斂性
4.3.3 舉例說明
4.3.4 分類的例子
4.3.5 機率神經網路
4.3.6 窗函式的選取
4.4 Kπ近鄰估計
4.4.1 Kπ近鄰估計和Parzen窗估計
4.4.2 後驗機率的估計
4.5 最近鄰規則
4.5.1 最近鄰規則的收斂性
4.5.2 最近鄰規則的誤差率
4.5.3 誤差界
4.5.4 K-近鄰規則
4.5.5 K-近鄰規則的計算複雜度
4.6 距離度量和最近鄰分類
4.6.1 度量的性質
4.6.2 切空間距離
4.7 模糊分類
4.8 RCE網路
4.9 級數展開逼近
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第5章 線性判別函式
5.1 引言
5.2 線性判別函式和判定面
5.2.1 兩類情況
5.2.2 多類的情況
5.3 廣義線性判別函式
5.4 兩類線性可分的情況
5.4.1 幾何解釋和術語
5.4.2 梯度下降算法
5.5 感知器準則函式最小化
5.5.1 感知器準則函式
5.5.2 單個樣本校正的收斂性證明
5.5.3 一些直接的推廣
5.6 鬆弛算法
5.6.1 下降算法
5.6.2 收斂性證明
5.7 不可分的情況
5.8 最小平方誤差方法
5.8.1 最小平方誤差及偽逆
5.8.2 與Fisher線性判別的關係
5.8.3 最優判別的漸近逼近
5.8.4 Widrow-Hoff算法或最小均方算法
5.8.5 隨機逼近法
5.9 Ho-Kashyap算法
5.9.1 下降算法
5.9.2 收斂性證明
5.9.3 不可分的情況
5.9.4 一些相關的算法
5.10 線性規划算法
5.10.1 線性規劃
5.10.2 線性可分情況
5.10.3 極小化感知器準則函式
5.11 支持向量機
5.12 推廣到多類問題
5.12.1 Kesler構造法
5.12.2 固定增量規則的收斂性
5.12.3 MSE算法的推廣
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
……
第7章 隨機方法
第8章 非度量方法
第9章 獨立於算法的機器學習
第10章 無監督學習和聚類
附錄A 數學基礎
參考文獻
索引
