模式識別 龔道雄 畢盛 9787111771234 【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：202412*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
ISBN：9787111771234
出版社：機械工業
著編譯者：龔道雄 畢盛
頁數：195
所在地：中國大陸 *此為代購商品
書號：1714372
可大量預訂，請先連絡。

編輯推薦

本書遵循教育部教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。

內容簡介

本書面向人工智能相關專業（智能科學與技術、控制科學與工程、計算機科學與技術）的本科生，以「從人工智能角度理解模式識別」和「用模式識別原理解決工程問題」為目標，將內容分為基礎知識、模式分類和模式聚類三大部分，突出簡明和實用的特點。書中穿插大量案例，可以幫助學生在掌握基本概念的基礎上理解基本原理，熟悉典型方法，做到「知其然，知其所以然」。本書注重引導學生充分利用樣本資料庫和算法庫等各種網絡資源，通過課程學習、案例計算和算法實現，分析來自生產和生活實際中的模式識別問題，採用合適的模式識別算法和技術，通過Python和MATLAB編程構建自己的模式識別系統來解決這些問題，並能夠評估模式識別系統的性能和不足，理解不同模式識別算法的針對性和局限性，從而提高學生理論和實踐相結合、綜合運用所學知識解決具體模式識別問題的能力，培養學生深入學習更新、更先進的模式識別知識的興趣。 本書可作為普通高等院校自動化、人工智能、計算機相關專業的教材，也可作為從事人工智能和自動化系統開發應用人員的參考書。

目錄

前言
第1部分 基礎知識
第1章 模式識別系統的構成和基本概念
1 1 模式和模式識別
1 1 1 模式識別範疇
1 1 2 模式識別問題的數學表達
1 2 模式識別系統的基本構成
1 3 模式識別的基本概念
1 3 1 模式識別的分類和聚類
1 3 2 樣本、特徵和特徵空間
1 3 3 特徵選擇與降維
1 3 4 距離與相似性度量
1 4 模式識別系統的性能指標
1 4 1 評估和優化模型性能的關鍵指標
1 4 2 泛化、欠擬合與過擬合
1 4 3 評估方法
本章小結
習題
參考文獻
第2部分 模式分類
第2章 基於判別函數的模式分類
2 1 線性分類器
2 1 1 線性判別函數與決策面
2 1 2 最小二乘誤差分類（LMSE)
2 1 3 Fisher線性判別分析（FLDA）
2 1 4 支持向量機（SVM）
2 2 非線性分類器
2 2 1 多項式分類器
2 2 2 分段線性函數分類器
2 2 3 k近鄰算法
2 2 4 決策樹算法
2 3 組合分類器
2 3 1 Bagging算法
2 3 2 Boosting算法（含AdaBoost算法）
2 3 3 隨機森林
本章小結
習題
參考文獻
第3章 基於統計理論的模式分類
3 1 貝葉斯決策和貝葉斯分類器
3 1 1 最小風險決策
3 1 2 最小錯誤率決策
3 1 3 樸素貝葉斯分類器
3 1 4 正態分佈下的貝葉斯分類器
3 2 Neyman-Pearson決策
3 2 1 Neyman-Pearson決策的算法原理
3 2 2 Neyman-Pearson決策的模式分類應用舉例
3 3 最大似然估計
3 3 1 最大似然估計的算法原理
3 3 2 最大似然估計的模式分類應用舉例
3 4 期望最大化（EM）方法
3 4 1 期望最大化方法
3 4 2 期望最大化方法的模式分類應用舉例
本章小結
習題
參考文獻
第4章 基於神經網絡的模式分類
4 1 基於多層前饋神經網絡的模式分類
4 1 1 神經元模型
4 1 2 多層前饋神經網絡
4 1 3 BP算法
4 1 4 多層前饋神經網絡的模式分類應用舉例
4 2 基於卷積神經網絡的模式分類
4 2 1 卷積神經網絡的結構
4 2 2 卷積神經網絡的訓練和模式分類應用舉例
4 3 基於循環神經網絡的模式分類
4 3 1 循環神經網絡的結構
4 3 2 循環神經網絡的訓練和模式分類應用舉例
4 4 基於Transformer的模式分類
4 4 1 Transformer的結構
4 4 2 Transformer的訓練和模式分類應用舉例
4 5 基於YOLOvX的視覺模式識別
4 5 1 YOLOvX網絡的基本原理
4 5 2 YOLOv8網絡的訓練和目標檢測應用舉例
本章小結
習題
參考文獻
第3部分 模式聚類
第5章 動態聚類
5 1 動態聚類的算法特點和適用場合
5 2 典型的動態聚類算法
5 2 1 k均值算法
5 2 2 ISODATA聚類算法
5 3 動態聚類應用舉例
本章小結
習題
參考文獻
第6章 層次聚類
6 1 層次聚類的算法特點和適用場合
6 2 典型的層次聚類算法
6 2 1 自下而上的聚集聚類算法（Agglomerative）
6 2 2 自上而下的分裂聚類算法（Divisive）
6 3 層次聚類算法應用舉例
本章小結
習題
參考文獻
第7章 高斯混合模型聚類
7 1 GMM的算法特點和適用場合
7 2 GMM算法
7 2 1 高斯分佈
7 2 2 GMM的算法原理
7 2 3 GMM的參數學習
7 2 4 應用EM算法訓練GMM模型
7 2 5 GMM組件個數的確定
7 3 GMM聚類的應用舉例
7 4 GMM聚類的函數指令和編程實現
7 4 1 MATLAB常用的GMM聚類函數
7 4 2 Python常用的GMM聚類指令
7 4 3 GMM聚類的Python程序代碼舉例
本章小結
習題
參考文獻
第8章 密度聚類
8 1 基於密度的聚類
8 2 DBSCAN算法
8 2 1 算法基本思想
8 2 2 確定參數Eps和MinPts
8 2 3 性能評估
8 3 OPTICS聚類
8 3 1 基於密度的聚類排序
8 3 2 識別聚類結構
本章小結
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。