模式識別與機器學習 李映 9787121457104 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202306*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：模式識別與機器學習
ISBN：9787121457104
出版社：電子工業
著編譯者：李映
頁數：230
所在地：中國大陸 *此為代購商品
書號：1534263
可大量預訂，請先連絡。

內容簡介

模式識別是指對錶征事物或現象的各種形式的信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程；機器學習是指機器通過統計學演算法，對大量歷史數據進行學習，進而利用生成的經驗模型指導業務的過程。本書介紹模式識別和機器學習技術的主要方面，包括貝葉斯統計決策、概率密度函數的估計、線性分類與回歸模型、其他分類方法、無監督學習和聚類、核方法和支持向量機、神經網絡和深度學習、特徵選擇與提取等。本書既重視基礎理論和經典方法的介紹，又兼顧前沿知識和最新模型的融入，力圖反映該領域的核心知識體系和新發展趨勢；每章的內容儘可能做到豐富完整，並附有習題或上機實踐題，便於讀者鞏固所學的知識。 本書可作為計算機科學領域機器學習和模式識別專業方向高年級本科生和研究生的教材，也可供相關技術人員參考。

目錄

第1章 緒論
1 1 引言
1 2 模式識別的基本概念
1 2 1 模式和模式識別
1 2 2 模式空間、特徵空間和類空間
1 2 3 預處理
1 2 4 特徵提取/選擇
1 2 5 分類
1 3 模式識別系統
1 4 機器學習的主要方法
1 4 1 監督學習
1 4 2 無監督學習
1 4 3 半監督學習
1 4 4 集成學習
1 4 5 強化學習
1 5 概率分佈
1 5 1 隨機變數及分佈
1 5 2 隨機向量及分佈
1 5 3 邊際分佈
1 5 4 條件概率分佈
1 6 習題
第2章 貝葉斯統計決策
2 1 引言
2 2 最小錯誤率判別規則
2 3 最小風險判別規則
2 4 最大似然比判別規則
2 5 Neyman-Pearson判別規則
2 6 最小最大判別規則
2 7 分類器設計
2 8 正態分佈中的貝葉斯分類方法
2 9 小結
習題
第3章 概率密度函數的估計
3 1 引言
3 2 最大似然估計
3 2 1 最大似然估計基礎
3 2 2 正態分佈下的最大似然估計
3 3 貝葉斯估計與貝葉斯學習
3 3 1 貝葉斯估計
3 3 2 正態分佈下的貝葉斯估計
3 3 3 貝葉斯學習
3 4 EM估計方法
3 4 1 EM演算法
3 4 2 混合正態分佈的EM估計
3 5 非參數估計方法
3 5 1 非參數估計的基本方法與限制條件
3 5 2 Parzen窗法
3 5 3 kN近鄰估計方法
3 6 小結
習題
第4章 線性分類與回歸模型
4 1 引言
4 2 線性判別函數和決策面
4 2 1 兩類情況
4 2 2 多類問題中的線性判別函數
4 2 3 設計線性分類器的主要步驟
4 3 廣義線性判別函數
4 4 最小均方誤差判別
4 4 1 最小均方和準則
4 4 2 H-K演算法
4 4 3 H-K演算法的多類推廣
4 5 線性回歸模型
4 6 正則化線性回歸
4 7 小結
習題
第5章 其他分類方法
5 1 近鄰法
5 1 1 最近鄰法
5 1 2 k近鄰法
5 2 邏輯斯蒂回歸
5 3 決策樹與隨機森林
5 3 1 非數值特徵
5 3 2 決策樹
5 3 3 屬性選擇方法
5 3 4 過學習與決策樹的剪枝
5 3 5 隨機森林
5 4 小結
習題
第6章 無監督學習和聚類
6 1 引言
6 2 混合模型的估計
6 2 1 無監督最大似然估計
6 2 2 正態分佈下的無監督參數估計
6 3 動態聚類演算法
6 3 1 均值聚類演算法
6 3 2 ISODATA聚類演算法
6 4 層次聚類演算法
6 4 1 凝聚的層次聚類演算法
6 4 2 分裂的層次聚類演算法
6 5 譜聚類
6 6 模糊聚類方法
6 6 1 模糊集基本知識
6 6 2 模糊c均值演算法
6 7 相似性傳播聚類
6 8 小結
習題
第7章 核方法和支持向量機
7 1 引言
7 2 核學習機
7 3 支持向量機
7 3 1 線性可分支持向量機
7 3 2 軟間隔線性支持向量機
7 3 3 非線性支持向量機
7 4 支持向量回歸機
7 5 小結
習題
第8章 神經網絡和深度學習
8 1 引言
8 2 感知器
8 2 1 感知器的概念
8 2 2 感知器訓練演算法及其收斂性
8 2 3 感知器準則函數及梯度法
8 3 多層前向神經網絡
8 3 1 多層前向神經網絡
8 3 2 BP神經網絡
8 3 3 RBF神經網絡
8 4 自組織特徵映射神經網絡
8 4 1 SOM神經網絡結構
8 4 2 SOM神經網絡演算法
8 5 深度學習
8 5 1 堆棧式自編碼網路（SAE）
8 5 2 深度置信網路（DBN）
8 5 3 卷積神經網絡（CNN）
8 5 4 循環神經網絡（RNN）
8 5 5 生成對抗網路（GAN）
8 5 6 擴散模型
8 5 7 Transformer模型
8 6 小結
習題
第9章 特徵選擇與提取
9 1 引言
9 2 特徵選擇的一般流程
9 2 1 生成特徵子集
9 2 2 評價準則
9 2 3 停止條件和結果驗證
9 3 特徵選擇方法
9 3 1 過濾式特徵選擇方法
9 3 2 封裝式特徵選擇方法
9 3 3 嵌入式特徵選擇方法
9 3 4 集成式特徵選擇方法
9 4 線性特徵提取方法
9 4 1 線性判別分析
9 4 2 主成分分析方法
9 5 非線性特徵提取方法
9 5 1 核線性判別分析
9 5 2 核主成分分析
9 5 3 流形學習
9 6 小結
習題
參考文獻
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。