模式识别与机器学习

图书标准信息

• 作者 李映
• 出版社 电子工业出版社
• 出版时间 2023-06
• 版次 1
• ISBN 9787121457104
• 定价 69.00元
• 装帧 其他
• 开本 16开
• 页数 240页
• 字数 336千字

【内容简介】

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。

【作者简介】

李映，西北工业大学教授，工学博士，硕士生导师。研究方向为遥感图像处理、数据挖掘、智能信息处理。主持包括国家自然科学基金、航空科学基金、陕西省自然科学基金、航天支撑基金项目等纵向项目和其它横向项目十余项，在国内外重要学术期刊上发表论文 100余篇，申请发明专利10余项，获得授权发明专利6项。

【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  小错误率判别规则22

2.3  小风险判别规则24

2.4  似然比判别规则27

2.5  Neyman-Pearson判别规则30

2.6  小判别规则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  似然估计52

3.2.1  似然估计基础52

3.2.2  正态分布下的似然估计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  小均方误差判别86

4.4.1  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  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