消息首页搜索举报

释放查看图文详情

模式识别

66.8 7.5折 89 全新

库存23件

山东泰安

送至北京市朝阳区

运费快递￥6.00

认证卖家担保交易快速发货售后保障

作者吴建鑫著

出版社机械工业出版社

ISBN9787111766674

出版时间2025-01

装帧平装

开本其他

定价89元

货号18000401

上书时间2025-03-16

评价168好评率 100%

书***2
书已收到，新书，发货速度快，非常满意。
...
景***区
好评
...

查看全部评价

邺架书屋

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 8小时
好评率 100%

最新上架

生态治理现代化 ¥85.00

海底恐龙 ¥18.50

原来古代人是这样打仗的:古埃及与美索不达米亚:: ¥78.10

大学文化传承创新研究——审视大学第四功能 ¥35.90

聂鲁达的道光 ¥37.40

激发孩子潜能的100款创意手工. 塑料变变变 ¥7.80

竹谱 ¥121.00

里尔克全集:第九卷:沃普斯韦德、奥古斯特·罗丹 ¥34.60

亚当·斯密以前的经济学(精)/晏智杰著作集 ¥126.70

商品详情

品相描述：全新

商品描述: 目录
目录 前言 符号表 第一部分概述 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 模式识别与机器学习8 1.2.3 评估、部署和细化 9 1.3 本书的结构　 10 习题　12 第 2 章数学背景知识　 15 2.1 线性代数　　15 2.1.1 内积、范数、距离和正交性16 2.1.2 角度与不等式　16 2.1.3 向量投影 17 2.1.4 矩阵基础 18 2.1.5 矩阵乘法 19 2.1.6 方阵的行列式与逆20 2.1.7 方阵的特征值、特征向量、秩和迹　 22 2.1.8 奇异值分解 23 2.1.9 (半) 正定实对称矩阵　24 2.2 概率 25 2.2.1 基础　　25 2.2.2 联合分布、条件分布与贝叶斯定理　 27 VIII 模式识别 2.2.3 期望与方差/协方差矩阵 28 2.2.4 不等式 30 2.2.5 独立性与相关性 30 2.2.6 正态分布 31 2.3 优化与矩阵微积分　　32 2.3.1 局部极小、必要条件和矩阵微积分　 33 2.3.2 凸优化与凹优化 34 2.3.3 约束优化和拉格朗日乘子法36 2.4 算法复杂度　 37 2.5 阅读材料　　38 习题　39 第 3 章模式识别系统概述 42 3.1 人脸识别　　42 3.2 一个简单的最近邻分类器 43 3.2.1 训练或学习 43 3.2.2 测试或预测 44 3.2.3 最近邻分类器　44 3.2.4 k-近邻 46 3.3 丑陋的细节　 46 3.4 制定假设并化简　49 3.4.1 设计工作环境与设计复杂算法　　49 3.4.2 假设与简化 50 3.5 一种框架　　54 3.6 阅读材料　　55 习题　56 第 4 章评估 58 4.1 简单情形中的准确率和错误率　　58 4.1.1 训练与测试误差 59 4.1.2 过拟合与欠拟合 60 4.1.3 使用验证集来选择超参数62 4.1.4 交叉验证 63 4.2 最小化代价/损失　64 4.2.1 正则化 65 4.2.2 代价矩阵 66 目录 IX 4.2.3 贝叶斯决策理论 67 4.3 不平衡问题中的评估67 4.3.1 单个类别内的比率67 4.3.2 ROC 曲线下的面积　 69 4.3.3 查准率、查全率和 F 值 70 4.4 我们能达到 100％的准确率吗？　　72 4.4.1 贝叶斯错误率　72 4.4.2 真实标记 73 4.4.3 偏置-方差分解 74 4.5 对评估结果的信心　　77 4.5.1 为什么要取平均？77 4.5.2 为什么要报告样本标准差？78 4.5.3 比较两个分类器 79 4.6 阅读材料　　84 习题　84 第二部分与领域知识无关的特征提取 第 5 章主成分分析　 90 5.1 动机 90 5.1.1 维度与内在维度 90 5.1.2 降维　　92 5.1.3 PCA 与子空间方法92 5.2 PCA 降维到零维子空间 93 5.2.1 想法-形式化-优化实践　93 5.2.2 一个简单的优化 94 5.2.3 一些注释 94 5.3 PCA 降维到一维子空间 95 5.3.1 新的形式化 95 5.3.2 最优性条件与化简96 5.3.3 与特征分解的联系97 5.3.4 解98 5.4 PCA 投影到更多维度99 5.5 完整的 PCA 算法 99 X 模式识别 5.6 方差的分析　 100 5.6.1 从最大化方差出发的 PCA102 5.6.2 一种更简单的推导　　103 5.6.3 我们需要多少维度呢？ 103 5.7 什么时候使用或不用 PCA 呢？　 104 5.7.1 高斯数据的 PCA　 104 5.7.2 非高斯数据的 PCA　105 5.7.3 含异常点数据的 PCA　 106 5.8 白化变换106 5.9 特征分解与 SVD 107 5.10 阅读材料　 107 习题　107 第 6 章 Fisher 线性判别 111 6.1 用于二分类的 FLD　 112 6.1.1 想法: 什么是隔得很远呢?112 6.1.2 翻译成数学语言　 114 6.1.3 散度矩阵与协方差矩阵 115 6.1.4 两种散度矩阵以及 FLD 的目标函数　116 6.1.5 优化　　117 6.1.6 等等, 我们有一条捷径! 118 6.1.7 二分类问题的 FLD118 6.1.8 陷阱: 要是 S_W 不可逆呢? 119 6.2 用于多类的 FLD 120 6.2.1 稍加修改的符号和 S_W 120 6.2.2 S_B 的候选　121 6.2.3 三个散度矩阵的故事 121 6.2.4 解　　122 6.2.5 找到更多投影方向　　122 6.3 阅读材料123 习题　123 目录 XI 第三部分分类器与其他工具 第 7 章支持向量机　 128 7.1 SVM 的关键思想　　128 7.1.1 简化它! 简化它! 简化它!129 7.1.2 查找最大 (或较大) 间隔的分类器　 130 7.2 可视化并计算间隔 131 7.2.1 几何的可视化　　131 7.2.2 将间隔作为优化来计算 132 7.3 最大化间隔　 133 7.3.1 形式化　 133 7.3.2 各种简化　134 7.4 优化与求解　 136 7.4.1 拉格朗日函数与 KKT 条件　　136 7.4.2 SVM 的对偶形式137 7.4.3 最优的 b 值与支持向量138 7.4.4 同时考虑原始形式与对偶形式　　140 7.5 向线性不可分问题和多类问题的扩展　141 7.5.1 不可分问题的线性分类器141 7.5.2 多类 SVM　143 7.6 核 SVM144 7.6.1 核技巧　 145 7.6.2 Mercer 条件与特征映射146 7.6.3 流行的核函数与超参数 147 7.6.4 SVM 的复杂度、权衡及其他 149 7.7 阅读材料149 习题　150 第 8 章概率方法　　155 8.1 思考问题的概率路线155 8.1.1 术语　　155 8.1.2 分布与推断　156 8.1.3 贝叶斯定理　157 8.2 各种选择157 8.2.1 生成式模型与判别式模型158 XII 模式识别 8.2.2 参数化与非参数化　　158 8.2.3 该如何看待一个参数呢?159 8.3 参数化估计　 160 8.3.1 最大似然　160 8.3.2 最大后验　162 8.3.3 贝叶斯　 162 8.4 非参数化估计　165 8.4.1 一个一维的例子　 165 8.4.2 直方图近似中存在的问题168 8.4.3 让你的样本无远弗届 168 8.4.4 核密度估计　169 8.4.5 带宽选择　170 8.4.6 多变量 KDE 171 8.5 做出决策172 8.6 阅读材料172 习题　173 第 9 章距离度量与数据变换176 9.1 距离度量和相似度度量 176 9.1.1 距离度量　177 9.1.2 向量范数和度量　 178 9.1.3 ?_p 范数和?_p 度量　　178 9.1.4 距离度量学习　　181 9.1.5 均值作为一种相似度度量182 9.1.6 幂平均核　185 9.2 数据变换和规范化 186 9.2.1 线性回归　186 9.2.2 特征规范化　188 9.2.3 数据变换　189 9.3 阅读材料192 习题　192 第 10 章信息论和决策树 198 10.1 前缀码和霍夫曼树198 10.2 信息论基础　 199 10.2.1 熵和不确定性　　200 目录 XIII 10.2.2 联合和条件熵　　200 10.2.3 互信息和相对熵　 201 10.2.4 一些不等式 202 10.2.5 离散分布的熵　　204 10.3 连续分布的信息论204 10.3.1 微分熵　 204 10.3.2 多元高斯分布的熵　 206 10.3.3 高斯分布是最大熵分布208 10.4 机器学习和模式识别中的信息论　 210 10.4.1 最大熵　 210 10.4.2 最小交叉熵 211 10.4.3 特征选择　212 10.5 决策树　　213 10.5.1 异或问题及其决策树模型213 10.5.2 基于信息增益的结点划分215 10.6 阅读材料　 217 习题　217 第四部分处理变化多端的数据 第 11 章稀疏数据和未对齐数据 222 11.1 稀疏机器学习　222 11.1.1 稀疏 PCA? 222 11.1.2 使用 ?_1 范数诱导稀疏性　223 11.1.3 使用过完备的字典　 227 11.1.4 其他一些相关的话题 229 11.2 动态时间规整　230 11.2.1 未对齐的时序数据　 231 11.2.2 思路 (或准则) 232 11.2.3 可视化和形式化　 233 11.2.4 动态规划　234 11.3 阅读材料　 237 习题　238 XIV 模式识别 第 12 章隐马尔可夫模型 242 12.1 时序数据与马尔可夫性质 242 12.1.1 各种各样的时序数据和模型　　242 12.1.2 马尔可夫性质　　244 12.1.3 离散时间马尔可夫链 245 12.1.4 隐马尔可夫模型　 247 12.2 HMM 学习中的三个基本问题　　249 12.3 α、β 和评估问题 250 12.3.1 前向变量和算法　 250 12.3.2 后向变量和算法　 252 12.4 γ、δ、ψ 和解码问题255 12.4.1 γ 和独立解码的最优状态255 12.4.2 δ、ψ 和联合解码的最优状态　　256 12.5 ξ 和 HMM 参数的学习　258 12.5.1 Baum-Welch: 以期望比例来更新 λ　259 12.5.2 如何计算 ξ　259 12.6 阅读材料　 262 习题　262 第五部分高阶课题 第 13 章正态分布　 268 13.1 定义268 13.1.1 单变量正态分布　 268 13.1.2 多元正态分布　　269 13.2 符号和参数化形式271 13.3 线性运算与求和　　272 13.3.1 单变量的情形　　272 13.3.2 多变量的情形　　273 13.4 几何和马氏距离　　274 13.5 条件作用　 275 13.6 高斯分布的乘积　　277 13.7 应用 I: 参数估计 278 13.7.1 最大似然估计　　278 目录 XV 13.7.2 贝叶斯参数估计　 279 13.8 应用 II: 卡尔曼滤波280 13.8.1 模型　 280 13.8.2 估计　 281 13.9 在本章中有用的数学282 13.9.1 高斯积分　282 13.9.2 特征函数　284 13.9.3 舒尔补 & 矩阵求逆引理285 13.9.4 向量和矩阵导数　 286 习题　287 第 14 章 EM 算法的基本思想 291 14.1 GMM: 一个工作实例　291 14.1.1 高斯混合模型　　291 14.1.2 基于隐变量的诠释　 293 14.1.3 假若我们能观测到隐变量, 那会怎样？ 294 14.1.4 我们可以模仿先知吗？294 14.2 EM 算法的非正式描述 295 14.3 期望最大化算法　　296 14.3.1 联合非凹的不完整数据对数似然　 296 14.3.2 (可能是) 凹的完整数据对数似然　 297 14.3.3 通用 EM 的推导298 14.3.4 E 步和 M 步 300 14.3.5 EM 算法　301 14.3.6 EM 能收敛吗？　　301 14.4 EM 用于 GMM 302 14.5 阅读材料　 305 习题　306 第 15 章卷积神经网络308 15.1 预备知识　 308 15.1.1 张量和向量化　　309 15.1.2 向量微积分和链式法则310 15.2 CNN 概览　 310 15.2.1 结构　 311 15.2.2 前向运行　312 XVI 模式识别 15.2.3 随机梯度下降　　312 15.2.4 误差反向传播　　314 15.3 层的输入、输出和符号 315 15.4 ReLU 层　　315 15.5 卷积层　　317 15.5.1 什么是卷积?　　317 15.5.2 为什么要进行卷积? 320 15.5.3 卷积作为矩阵乘法　 321 15.5.4 克罗内克积 323 15.5.5 反向传播: 更新参数 325 15.5.6 更高维的指示矩阵　 326 15.5.7 反向传播: 为前一层准备监督信号　 327 15.5.8 用卷积层实现全连接层329 15.6 汇合层　　330 15.7 案例分析: VGG16

— 没有更多了 —

微信扫码逛孔网

无需下载

模式识别

邺架书屋

商品详情

为你推荐