【原版闪电发货】视觉机器学习20讲
9787302397922
￥ 47.21 全新
库存2件
上海黄浦
认证卖家担保交易快速发货售后保障
作者作者
出版社本社
ISBN9787302397922
出版时间2000-01
装帧平装
货号551224258324
上书时间2023-07-10
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
基本信息商品名称：视觉机器学习20讲开本：16开 作者：编者:谢剑斌//兴军亮//张立宁//方宇强//李沛秦等页数：定价：49出版时间：2015-06-01ISBN号：9787302397922 印刷时间：2015-06-01出版社：清华大学版次：1商品类型：图书印次：1 作者简介：\
方宇强，2010年毕业于国防科学技术大学控制科学与工程专业，获得硕士学位，现就读于国防科学技术大学控制科学与工程专业，攻读博士学位。2011年赴香港科技大学计算机科学系访问，2013年在新加坡国立大学计算机系任研究助理。研究领域包括机器学习、计算机视觉和智能系统，主要研究兴趣有高维数据特征分析、视觉特征学习和智能无人系统等。在 外重要期刊和会议，如ICDM、JFR上发表多篇论文，硕士论文获得湖南省 硕士毕业论文。在攻读博士期间作为项目骨干参与了多项 973、 自然科学基金重点项目研究。\
张立宁，2006年和2009年毕业于西安电子科技大学并分别获学士和硕士学位，2013年毕业于新加坡南洋理工大学电气与电子工程学院，获博士学位，现为新加坡科技研究局资讯通信研究院研究员，美国电气与电子工程师协会会员。研究领域为模式识别与机器视觉，多媒体计算，医学图像处理等。目前已在 重要刊物如IEEE TIP、TCSVT、TSMC-PartB等发表论文多篇，参与编辑著作多部。在攻读硕士和博士学位期间，曾获多项校 学生、 毕业生等荣誉称号，并作为骨干成员参与中国973、863多项重要研究课题以及新加坡多媒体创新的研究项目。\
兴军亮，2012年毕业于清华大学计算机科学与技术系，获工学博士学位，2013年在新加坡国立大学从事博士后研究，现为 自动化研究所助理研究员，美国电器与电子工程学会(IEEE)会员。研究领域为计算机视觉、模式识别和机器学习，主要研究兴趣为视频中的物体检测、跟踪和分割。目前已在重要 期刊和会议，如TIP，ICCV，CVPR，ACM。Multimedia上发表论文多篇，译著两部。 谢剑斌，博士后，曾于新加坡国立大学访问学习，现为国防科技大学电子科学与工程学院教授，中国生物特征识别 标准组委员、中国数字电视 标准组委员、中国图象图形学会 会员、计算机学会 会员、电光与控制编委会委员。长期从事数字视频分析与生物特征识别方面的研究工作，参与和主持 863项目3项、国防预研项目2项、航空基金项目1项、 标准项目2项、 创新计划项目3项、横向项目17项。参与制定安全防范系统生物特征识别 标准、面向安全监视的视频获取 标准、数字电视地面传输 标准、机载TFT 液晶显示器军用标准。发表学术论文70多篇，出版专著4部，授权 发明专利15项、实用新型专利27项。获湖南省科技进步二等奖1项， 技术革新成果特别项目奖2项， 发明展金奖2项，全国发明展览会金奖1项、铜奖1项。\
李沛秦，博士，讲师，任职于国防科学技术大学。长期从事海量视频分析与生物特征识别方面的研究工作，作为技术骨干参与 项目3项、省部级项目13项。在 外知名期刊发表学术论文25篇，参与出版专著2部，获 发明专利授权14项、实用新型专利28项。荣获 发明展金奖2项，湖南省科技进步二等奖1项， 技术革新特别项目奖2项和全国发明展金奖1项、铜奖1项。 内容提要： 谢剑斌等编著的这本《视觉机器学习20讲》是计\
算机、自动化、信息、电子与通信学科方向的专著，\
详尽地介绍了K-Means、KNN学习、回归学习、决策树\
学习、Random Forest、贝叶斯学习、EM算法、\
Adaboost、SVM方法、增强学习、流形学习、RBF学习\
、稀疏表示、字典学习、BP学习、CNN学习、RBM学习\
、深度学习、遗传算法、蚁群方法等基本理论；深入\
阐述了视觉机器学习算法的优化方法和实验仿真；系\
统地总结了其优点和不足。
本书特别重视如何将视觉机器学习算法的理论和\
实践有机地结合，解决视觉机器学习领域中的诸多基\
础问题，可应用于医学图像分析、工业自动化、机器\
人、无人车、人脸检测与识别、车辆信息识别、行为\
检测与识别、智能视频监控等。本书特别重视算法的\
典型性和可实现性，既包含本领域的经典算法，也包\
含本领域的 新研究成果。
本书不仅可作为高年级本科生与研究生教材，而\
且也是从事视觉机器学习领域研发极为有用的参考资\
料。
...... 目录：绪论
讲 K-means
1.1 基本原理
1.2 算法改进
1.3 仿真实验
1.4 算法特点
第2讲 KNN学习
2.1 基本原理
2.2 算法改进
2.3 仿真实验
2.4 算法特点
第3讲 回归学习
3.1 基本原理
3.1.1 参数回归
3.1.2 非参数回归
3.1.3 半参数回归
3.2 算法改进
3.2.1 线性回归模型
3.2.2 多项式回归模型
3.2.3 主成分回归模型
3.2.4 自回归模型
3.2.5 核回归模型
3.3 仿真实验
3.3.1 回归学习流程
3.3.2 基于回归学习的直线边缘提取
3.3.3 基于回归学习的图像插值
3.4 算法特点
第4讲 决策树学习
4.1 基本原理
4.1.1 分类与聚类
4.1.2 决策树
4.1.3 信息增益的度量标准
4.1.4 信息增益度量期望的熵降低
4.1.5 悲观错误剪枝
4.1.6 基本决策树算法
4.2 算法改进
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 SLIQ算法
4.2.4 SPRINT算法
4.3 仿真实验
4.3.1 用于学习布尔函数的ID3算法伪代码
4.3.2 C4.5算法构造决策树的伪代码
4.4 算法特点
第5讲 Random Forest学习
5.1 基本原理
5.1.1 决策树
5.1.2 Bagging集成学习
5.1.3 Random Forest方法
5.2 算法改进
5.3 仿真实验
5.3.1 Random Forest分类与回归流程
5.3.2 Forest-RI和For
5.3.3 基于Random Forest的头部姿态估计
5.4 算法特点
第6讲 贝叶斯学习
6.1 基本原理
6.2 算法改进
6.2.1 朴素贝叶斯模型
6.2.2 层级贝叶斯模型
6.2.3 增广贝叶斯学习模型
6.2.4 基于Boosting技术的朴素贝叶斯模型
6.2.5 贝叶斯神经网络模型
6.3 仿真实验
6.3.1 Learn_Bays
6.3.2 Classify_Ba
6.4 算法特点
第7讲 EM算法
7.1 基本原理
7.2 算法改进
7.2.1 EM算法的快速计算
7.2.2 未知分布函数的选取
7.2.3 EM算法收敛性的改进
7.3 仿真实验
7.3.1 EM算法流程
7.3.2 EM算法的伪代码
7.3.3 EM算法应用——高斯混合模型
7.4 算法特点
第8讲 Adaboost
8.1 基本原理
8.1.1 Boosting方法
8.1.2 Adaboost方法
8.2 算法改进
8.2.1 权值 新方法的改进
8.2.2 Adaboost并行算法
8.3 仿真实验
8.3.1 Adaboost算法实现流程
8.3.2 Adaboost算法示例
8.4 算法特点
8.4.1 Adaboost算法的优点
8.4.2 Adaboost算法的缺点
……
第9讲 SVM方法
0讲 增强学习
1讲 流形学习
2讲 RBF学习
3讲 稀疏表示
4讲 字典学习
5讲 BP学习
6讲 CNN学习
7讲 RBM学习
8讲 深度学习
9讲 遗传算法
第20讲 蚁群方法
...... 精 彩 页：'
— 没有更多了 —
以下为对购买帮助不大的评价