机器学习与视觉感知

图书标准信息

• 作者 张宝昌、杨万扣、林娜娜 著
• 出版社 清华大学出版社
• 出版时间 2016-05
• 版次 1
• ISBN 9787302428114
• 定价 30.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 108页
• 字数 188千字
• 丛书 计算机系列教材

【内容简介】

　　本书旨在通过对机器学习主要原理和方法的介绍，并且结合作者多年来在视觉感知方面的研究成果，对于其他书籍未涉及的一些前沿研究进行补充阐述。本书面向有一定数学基础的模式识别专业的本科生和研究生，以及有志于钻研模式识别相关领域，包括机器学习和视觉感知等方向的读者，通过对于基础理论循序渐进、深入浅出的讲解，帮助读者更快速地掌握机器学习的基本方法，在此基础上每章的内容由易到难，读者可以根据自己的掌握程度以及兴趣，选择特定的方向进行更深入的学习。

【作者简介】

　　张宝昌，北京航空航天大学自动化学院副教授。北航自动化学院，主讲本科生核心专业课程“模式识别与机器学习”、本科生课程“现代控制导论”、研究生课程“机器学习理论与应用”、研究生学位课程“图像处理系列实验”等课程。主持一项本科生教改项目。
　　主要从事模式识别与智能系统相关理论研究与应用，先后三次访问GriffithUniversity，以及访问香港理工大学，香港中文大学，建立深入的合作关系。

【目录】

第1章机器学习的发展史/1
引言/1
1.1机器学习/1
1.1.1基本简介/1
1.1.2机器学习的定义和研究意义/2
1.1.3机器学习的发展史/3
1.1.4机器学习的主要策略/3
1.1.5机器学习系统的基本结构/4
1.1.6机器学习的分类/4
1.1.7目前研究领域/8
1.2统计模式识别问题/9
1.2.1机器学习问题的表示/9
1.2.2经验风险最小化/11
1.2.3复杂性与推广能力/11
1.3统计学习理论的核心内容/12
1.3.1学习过程一致性的条件/13
1.3.2推广性的界/13
1.3.3结构风险最小化/15
小结/17第2章PAC模型/18
引言/18
2.1基本的PAC模型/18
2.1.1PAC简介/18
2.1.2基本概念/18
2.1.3问题框架/19
2.2PAC模型样本复杂度分析/20
2.2.1有限空间样本复杂度/20
2.2.2无限空间样本复杂度/21小结/22第3章决策树学习/23
引言/23
3.1决策树学习概述/23
3.1.1决策树/24
3.1.2性质/25
3.1.3应用/25
3.1.4学习/26
3.2决策树设计/26
3.2.1决策树的特点/27
3.2.2决策树的生成/27
小结/33第4章贝叶斯学习/34
引言/34
4.1贝叶斯学习/34
4.1.1贝叶斯公式/34
4.1.2最小误差决策/35
4.1.3正态密度/35
4.1.4最大似然估计/36
4.1.5实验结果/37
4.2朴素贝叶斯原理及应用/40
4.2.1贝叶斯最佳假设原理/40
4.2.2Naive Bayes 分类/41
4.2.3基于Naive Bayes的文本分类器/41
4.3HMM（隐性马氏模型）及应用/44
4.3.1马尔科夫性/44
4.3.2马尔科夫链/44
4.3.3转移概率矩阵/44
4.3.4HMM（隐性马氏模型）及应用/45
小结/47第5章支持向量机/49
引言/49
5.1支持向量机/49
5.2支持向量机的实现算法/54
5.3支持向量机的实例/55
5.4多类支持向量机/58
小结/58第6章AdaBoost/59
引言/59
6.1AdaBoost与目标检测/59
6.1.1AdaBoost算法/59
6.1.2初始化/61
6.2具有强鲁棒性的实时目标检测/63
6.2.1矩形特征选取/63
6.2.2积分图/64
6.2.3训练结果/65
6.2.4级联/66
6.3运用统计学的目标检测/67
6.4随机森林/68
6.4.1原理阐述/68
6.4.2算法详解/68
6.4.3算法分析/68
小结/69第7章压缩感知/70
引言/70
7.1压缩感知理论框架/70
7.2压缩感知的基本理论及核心问题/71
7.2.1压缩感知的数学模型/71
7.2.2信号的稀疏表示/71
7.2.3信号的观测矩阵/72
7.2.4信号的重构算法/73
7.3压缩感知的应用与仿真/73
7.3.1应用/73
7.3.2人脸识别/74
小结/76第8章子空间/77
引言/77
8.1基于主成分分析的特征提取/77
8.2数学模型/79
8.3主成分的数学上的计算/80
8.3.1两个线性代数的结论/80
8.3.2基于协方差矩阵的特征值分解/80
8.3.3主成分分析的步骤/81
8.4主成分分析的性质/82
8.5基于主成分分析的人脸识别方法/83
小结/84第9章深度学习与神经网络/85
引言/85
9.1神经网络及其主要算法/85
9.1.1前馈神经网络/85
9.1.2感知器/85
9.1.3三层前馈网络/87
9.1.4反向传播算法/88
9.2深度学习/90
9.2.1深度学习概述/90
9.2.2自编码算法AutoEncoder/91
9.2.3自组织编码深度网络/92
9.2.4卷积神经网络模型/93
小结/96第10章强化学习/97
引言/97
10.1强化学习概述/97
10.2强化学习过程/98
10.2.1马尔科夫性/98
10.2.2奖励/98
10.2.3估价函数/99
10.2.4动态规划/99
10.2.5蒙特卡洛方法/100
10.2.6时序差分学习/100
10.2.7QLearning/102
10.2.8Q学习算法的改进/103
10.3程序实现/105参考文献/109