【正版】模式识别9787111643890
正版旧书 85成新左右 里面部分划线标记 内容完好 可正常使用 旧书不附带光盘
￥ 30.83 3.1折 ￥ 99 九品
仅1件
天津武清
认证卖家担保交易快速发货售后保障
作者吴建鑫
出版社机械工业出版社
ISBN9787111643890
出版时间2020-03
装帧平装
开本16开
定价99元
货号9787111643890
上书时间2024-10-02
- 最新上架
商品详情
- 品相描述：九品
- 商品描述
-
作者简介
吴建鑫 南京大学计算机科学与技术系教授、博士生导师，入选中组部青年海外高层次人才引进计划（青年），2014年获得国家自然科学基金委青年科学基金项目支持. 同时，担任Minieye首席科学家（minieye.cc）. 主要从事计算机视觉和机器学习等领域的研究. 在重要靠前期刊如TPAMI、IJCV、AIJ、JMLR等以及重要靠前会议如ICCV、CVPR、ICML等发表论文六十余篇. 曾担任靠前会议ICCV、AAAI、CVPR等领域主席。发表论文被60余个国家和地区的学者引用7000余次.
目录
前言
符号表
第一部分概述1
第1章绪论2
1.1样例：自动驾驶3
1.2模式识别与机器学习5
1.2.1一个典型的模式识别流程5
1.2.2模式识别vs.机器学习8
1.2.3评估、部署和细化9
1.3本书的结构9
习题12
第2章数学背景知识14
2.1线性代数14
2.1.1内积、范数、距离和正交性14
2.1.2角度与不等式15
2.1.3向量投影16
2.1.4矩阵基础17
2.1.5矩阵乘法18
2.1.6方阵的行列式与逆19
2.1.7方阵的特征值、特征向量、秩和迹20
2.1.8奇异值分解22
2.1.9(半)正定实对称矩阵22
2.2概率23
2.2.1基础23
2.2.2联合分布、条件分布与贝叶斯定理25
2.2.3期望与方差/协方差矩阵26
2.2.4不等式27
2.2.5独立性与相关性28
2.2.6正态分布29
2.3优化与矩阵微积分30
2.3.1局部极小、必要条件和矩阵微积分30
2.3.2凸优化与凹优化31
2.3.3约束优化和拉格朗日乘子法33
2.4算法复杂度34
2.5阅读材料35
习题35
第3章模式识别系统概述39
3.1人脸识别39
3.2一个简单的最近邻分类器40
3.2.1训练或学习40
3.2.2测试或预测40
3.2.3最近邻分类器41
3.2.4k-近邻42
3.3丑陋的细节43
3.4制定假设并化简46
3.4.1设计工作环境vs.设计复杂算法46
3.4.2假设与简化47
3.5一种框架51
3.6阅读材料51
习题53
第4章评估55
4.1简单情形中的准确率和错误率55
4.1.1训练与测试误差56
4.1.2过拟合与欠拟合56
4.1.3使用验证集来选择超参数58
4.1.4交叉验证59
4.2最小化代价/损失61
4.2.1正则化62
4.2.2代价矩阵62
4.2.3贝叶斯决策理论63
4.3不平衡问题中的评估64
4.3.1单个类别内的比率64
4.3.2ROC曲线下的面积65
4.3.3查准率、查全率和F值66
4.4我们能达到100％的准确率吗?68
4.4.1贝叶斯错误率68
4.4.2真实标记69
4.4.3偏置-方差分解70
4.5对评估结果的信心73
4.5.1为什么要取平均?73
4.5.2为什么要报告样本标准差?74
4.5.3比较两个分类器75
4.6阅读材料79
习题79
第二部分与领域知识无关的特征提取83
第5章主成分分析84
5.1动机84
5.1.1维度与内在维度84
5.1.2降维86
5.1.3PCA与子空间方法86
5.2PCA降维到零维子空间86
5.2.1想法-形式化-优化实践87
5.2.2一个简单的优化87
5.2.3一些注释88
5.3PCA降维到一维子空间88
5.3.1新的形式化88
5.3.2很优性条件与化简89
5.3.3与特征分解的联系90
5.3.4解91
5.4PCA投影到更多维度91
5.5完整的PCA算法92
5.6方差的分析93
5.6.1从优选化方差出发的PCA94
5.6.2一种更简单的推导95
5.6.3我们需要多少维度呢?95
5.7什么时候使用或不用PCA呢?96
5.7.1高斯数据的PCA96
5.7.2非高斯数据的PCA96
5.7.3含异常点数据的PCA98
5.8白化变换98
5.9特征分解vs.SVD98
5.10阅读材料99
习题99
第6章Fisher线性判别103
6.1用于二分类的FLD104
6.1.1想法：什么是隔得很远呢?104
6.1.2翻译成数学语言105
6.1.3散度矩阵vs.协方差矩阵107
6.1.4两种散度矩阵以及FLD的目标函数108
6.1.5优化108
6.1.6等等,我们有一条捷径109
6.1.7二分类问题的FLD109
6.1.8陷阱：要是SW不可逆呢?110
6.2用于多类的FLD111
6.2.1稍加修改的符号和SW111
6.2.2SB的候选111
6.2.3三个散度矩阵的故事112
6.2.4解113
6.2.5找到更多投影方向113
6.3阅读材料113
习题114
第三部分分类器与其他工具119
第7章支持向量机120
7.1SVM的关键思想120
7.1.1简化它!简化它!简化它!120
7.1.2查找优选（或较大）间隔的分类器121
7.2可视化并计算间隔122
7.2.1几何的可视化123
7.2.2将间隔作为优化来计算124
7.3优选化间隔124
7.3.1形式化125
7.3.2各种简化125
7.4优化与求解127
7.4.1拉格朗日函数与KKT条件127
7.4.2SVM的对偶形式128
7.4.3很优的b值与支持向量129
7.4.4同时考虑原始形式与对偶形式131
7.5向线性不可分问题和多类问题的扩展131
7.5.1不可分问题的线性分类器132
7.5.2多类SVM134
7.6核SVM134
7.6.1核技巧135
7.6.2Mercer条件与特征映射136
7.6.3流行的核函数与超参数137
7.6.4SVM的复杂度、权衡及其他138
7.7阅读材料139
习题139
第8章概率方法144
8.1思考问题的概率路线144
8.1.1术语144
8.1.2分布与推断145
8.1.3贝叶斯定理145
8.2各种选择146
8.2.1生成式模型vs.判别式模型146
8.2.2参数化vs.非参数化147
8.2.3该如何看待一个参数呢?148
8.3参数化估计148
8.3.1优选似然148
8.3.2优选后验150
8.3.3贝叶斯151
8.4非参数化估计153
8.4.1一个一维的例子153
8.4.2直方图近似中存在的问题155
8.4.3让你的样本无远弗届156
8.4.4核密度估计157
8.4.5带宽选择158
8.4.6多变量KDE158
8.5做出决策159
8.6阅读材料159
习题160
第9章距离度量与数据变换163
9.1距离度量和相似度度量163
9.1.1距离度量164
9.1.2向量范数和度量164
9.1.3lp范数和lp度量165
9.1.4距离度量学习167
9.1.5均值作为一种相似度度量168
9.1.6幂平均核170
9.2数据变换和规范化171
9.2.1线性回归172
9.2.2特征规范化173
9.2.3数据变换175
9.3阅读材料177
习题177
第10章信息论和决策树182
10.1前缀码和霍夫曼树182
10.2信息论基础183
10.2.1熵和不确定性184
10.2.2联合和条件熵184
10.2.3互信息和相对熵185
10.2.4一些不等式186
10.2.5离散分布的熵187
10.3连续分布的信息论187
10.3.1微分熵188
10.3.2多元高斯分布的熵189
10.3.3高斯分布是优选熵分布191
10.4机器学习和模式识别中的信息论192
10.4.1优选熵192
10.4.2最小交叉熵193
10.4.3特征选择194
10.5决策树195
10.5.1异或问题及其决策树模型195
10.5.2基于信息增益的结点划分197
10.6阅读材料198
习题199
第四部分处理变化多端的数据203
第11章稀疏数据和未对齐数据204
11.1稀疏机器学习204
11.1.1稀疏PCA?204
11.1.2使用l1范数诱导稀疏性205
11.1.3使用过完备的字典208
11.1.4其他一些相关的话题210
11.2动态时间规整212
11.2.1未对齐的时序数据212
11.2.2思路（或准则）213
11.2.3可视化和形式化214
11.2.4动态规划215
11.3阅读材料218
习题218
第12章隐马尔可夫模型222
12.1时序数据与马尔可夫性质222
12.1.1各种各样的时序数据和模型222
12.1.2马尔可夫性质224
12.1.3离散时间马尔可夫链225
12.1.4隐马尔可夫模型227
12.2HMM学习中的三个基本问题228
12.3α、β和评估问题229
12.3.1前向变量和算法230
12.3.2后向变量和算法231
12.4γ、δ、ψ和解码问题234
12.4.1γ和独立解码的很优状态234
12.4.2δ、ψ和联合解码的很优状态235
12.5ξ和HMM参数的学习237
12.5.1Baum-Welch：以期望比例来更新?238
12.5.2如何计算ξ238
12.6阅读材料240
习题241
第五部分高阶课题245
第13章正态分布246
13.1定义246
13.1.1单变量正态分布246
13.1.2多元正态分布247
13.2符号和参数化形式248
13.3线性运算与求和249
13.3.1单变量的情形249
13.3.2多变量的情形250
13.4几何和马氏距离251
13.5条件作用252
13.6高斯分布的乘积253
13.7应用Ⅰ：参数估计254
13.7.1优选似然估计254
13.7.2贝叶斯参数估计255
13.8应用Ⅱ：卡尔曼滤波256
13.8.1模型256
13.8.2估计257
13.9在本章中有用的数学258
13.9.1高斯积分258
13.9.2特征函数259
13.9.3舒尔补&矩阵求逆引理260
13.9.4向量和矩阵导数262
习题263
第14章EM算法的基本思想266
14.1GMM：一个工作实例266
14.1.1高斯混合模型266
14.1.2基于隐变量的诠释.267
14.1.3假若我们能观测到隐变量,那会怎样?268
14.1.4我们可以模仿先知吗?269
14.2EM算法的非正式描述270
14.3期望优选化算法270
14.3.1联合非凹的不完整数据对数似然271
14.3.2(可能是)凹的完整数据对数似然271
14.3.3通用EM的推导272
14.3.4E步和M步274
14.3.5EM算法275
14.3.6EM能收敛吗?275
14.4EM用于GMM276
14.5阅读材料279
习题279
第15章卷积神经网络281
15.1预备知识281
15.1.1张量和向量化282
15.1.2向量微积分和链式法则283
15.2CNN概览283
15.2.1结构283
15.2.2前向运行285
15.2.3随机梯度下降285
15.2.4误差反向传播286
15.3层的输入、输出和符号287
15.4ReLU层288
15.5卷积层290
15.5.1什么是卷积?290
15.5.2为什么要进行卷积?291
15.5.3卷积作为矩阵乘法293
15.5.4克罗内克积295
15.5.5反向传播：更新参数296
15.5.6更高维的指示矩阵297
15.5.7反向传播：为前一层准备监督信号298
15.5.8用卷积层实现全连接层300
15.6汇合层301
15.7案例分析：VGG-16网络303
15.7.1VGG-Verydeep-16303
15.7.2感受野304
15.8CNN的亲身体验305
15.9阅读材料305
习题305
参考文献309
英文索引325
中文索引332
内容摘要
本书是模式识别领域的入门教材，系统阐述了模式识别中的基础知识、主要模型及热门应用，并给出了近年来本领域一些新的成果和观点；通过理论学习和动手实践相结合的形式使初学者能有效入门，并培养独立解决任务的能力，为模式识别的项目开发及相关科研活动打好基础。
全书共15章，大致分为五部分：第一部分（~4章）介绍了本书的概论和基础知识，包括绪论、数学背景知识、模式识别系统概述以及评估；第二部分（第5~6章）介绍了与领域知识无关的特征提取，包括主成分分析和Fisher线性判别；第三部分（第7~10章）介绍了分类器与其他工具，包括支持向量机、概率方法、距离度量与数据变换、信息论和决策树；第四部分（第11~12章）介绍了如何处理变化多端的数据，包括稀疏数据和未对齐数据、隐马尔可夫模型；第五部分（第13~15章）介绍了一些高阶课题，包括正态分布、EM算法和卷积神经网络。
本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业研究生或本科生的教材，也可供人工智能、计算机、自动化、电子和通信等领域研究人员和工程技术人员参考。
— 没有更多了 —
以下为对购买帮助不大的评价