机器学习与视觉感知(第2版)9787302561859
正版图书，可开发票，请放心购买。
￥ 31.89 6.5折 ￥ 49 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:张宝昌//杨万扣//林娜娜|责编:谢琛//薛阳
出版社清华大学
ISBN9787302561859
出版时间2020-09
装帧其他
开本其他
定价49元
货号30986907
上书时间2024-12-13
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
目录
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
4.2朴素贝叶斯原理及应用37
4.2.1贝叶斯最佳假设原理37
4.2.2Naive Bayes分类37
4.2.3基于Naive Bayes的文本分类器38
4.3HMM（隐性马氏模型）及应用41
4.3.1马尔科夫性41
4.3.2马尔科夫链41
4.3.3转移概率矩阵41
4.3.4HMM（隐性马尔科夫模型）及应用42
小结44第5章支持向量机45
引言45
5.1支持向量机45
5.2支持向量机的核函数选择50
5.3支持向量机的实例51
5.4多类支持向量机54
小结54第6章AdaBoost55
引言55
6.1AdaBoost与目标检测55
6.1.1AdaBoost算法55
6.1.2初始化57
6.2具有强鲁棒性的实时目标检测59
6.2.1矩形特征选取59
6.2.2积分图60
6.2.3训练结果61
6.2.4级联62
6.3运用统计学的目标检测63
6.4随机森林64
6.4.1原理阐述64
6.4.2算法详解64
6.4.3算法分析64
小结65第7章压缩感知66
引言66
7.1压缩感知理论框架66
7.2压缩感知的基本理论及核心问题67
7.2.1压缩感知的数学模型67
7.2.2信号的稀疏表示67
7.2.3信号的观测矩阵68
7.2.4信号的重构算法69
7.3压缩感知的应用与仿真69
7.3.1应用69
7.3.2人脸识别70
小结72第8章子空间73
引言73
8.1基于主成分分析的特征提取73
8.2数学模型75
8.3主成分的数学上的计算76
8.3.1两个线性代数的结论76
8.3.2基于协方差矩阵的特征值分解76
8.3.3主成分分析的步骤77
8.4主成分分析的性质78
8.5基于主成分分析的人脸识别方法79
小结80第9章深度学习与神经网络81
引言81
9.1神经网络及其主要算法81
9.1.1前馈神经网络81
9.1.2感知器81
9.1.3三层前馈网络83
9.1.4反向传播算法84
9.2深度学习86
9.2.1深度学习概述86
9.2.2自编码算法AutoEncoder87
9.2.3自组织编码深度网络88
9.2.4卷积神经网络模型89
小结92第10章调制卷积神经网络（MCN）93
10.1概述93
10.2损失函数95
10.3前向卷积96
10.4卷积神经网络模型的梯度反传98
10.5MCN网络的实验验证100
10.5.1实验数据集100
10.5.2实验与实现细节103第11章强化学习112
引言112
11.1强化学习概述112
11.2强化学习过程113
11.2.1马尔科夫性113
11.2.2奖励113
11.2.3估价函数114
11.2.4动态规划114
11.2.5蒙特卡洛方法115
11.2.6时序差分学习115
11.2.7QLearning117
11.2.8QLearning算法的改进118
11.3程序实现120
参考文献124
内容摘要
本书分为基础篇和高级篇。基础篇介绍机器学习的主要原理和方法、以及最近几年来的最新进展，包括机器学习的发展史、决策树学习、PAC模型、
贝叶斯学习、支持向量机、AdaBoost、压缩感知、
子空间、深度学习与神经网络、MCNs、强化学习等内容。在高级篇部分，主要介绍一下作者多年来在机器学习与视觉感知方面的研究成果，包括HGPP、
LDP、KBP、高阶差分码、KernelLearning、BagofFeaturemodel等方法原理阐述与应用。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价