模式分類（原書第2版） epub pdf mobi txt 電子書 下載 2024

模式分類（原書第2版） epub pdf mobi txt 電子書 下載 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

模式分類（原書第2版） epub pdf mobi txt 電子書 下載 2024

类似图書 點擊查看全場最低價

---

編輯推薦

　　

　　《模式分類》（原書第2版）已被卡內基-梅隆、哈佛、斯坦福、劍橋等120多所大學采用為教材。本書作為流行和經典的教材和專業參考書，主要麵嚮電子工程、計算機科學、數學和統計學、媒體處理、模式識彆、計算機視覺、人工智能和認知科學等領域的研究生和相關領域的科技人員。開發和研究模式識彆係統的實踐者，無論其應用涉及語音識彆、字符識彆、圖像處理還是信號分析，常會遇到需要從大量令人迷惑的技術中做齣選擇的難題。這本教材及專業參考書，為你準備瞭充足的資料和信息，供你選擇最適閤的技術。作為一本在過去幾十年內模式識彆領域經典著作的新版，這一版本更新並擴充瞭原作，重點介紹模式分類及該領域近年來的巨大進展。

內容簡介

　　《模式分類》（原書第2版）的第1版《模式分類與場景分析》齣版於1973年，是模式識彆和場景分析領域奠基性的經麯名著。在第2版中，除瞭保留瞭第1版的關於統計模式識彆和結構模式識彆的主要內容以外，讀者將會發現新增瞭許多近25年來的新理論和新方法，其中包括神經網絡、機器學習、數據挖掘、進化計算、不變量理論、隱馬爾可夫模型、統計學習理論和支持嚮量機等。作者還為未來25年的模式識彆的發展指明瞭方嚮。書中包含許多實例，各種不同方法的對比，豐富的圖錶，以及大量的課後習題和計算機練習。

作者簡介

　　Richard O.Duda於麻省理工學院獲得電氣工程博士學位，是加州San Jose州立大學電氣工程係名譽教授。他是美國人工智能學會會士、IEEE會士。

　　Peter E.Hart是加州Ricoh lnnovations公司的創始人、總裁和CEO，同時還是理光公司的高級副總裁，在此之前曾任理光加州研究中心的高級副總裁。他是美國人工智能學會會士、IEEE會士，曾獲IEEE信息論協50周年論文奬。

內頁插圖

精彩書評

　　開發和研究模式識彆係統的實踐者，無論其應用涉及語音識彆、字符識彆、圖像處理還是信號分析，常會遇到需要從大量令人迷惑的技術中做齣選擇的難題。這本獨特的教材及專業參考書，為你準備瞭充足的資料和信息，供你選擇最適閤的技術。作為一本在過去幾十年內模式識彆領域經典著作的新版，這一版本更新並擴充瞭原作，重點介紹模式分類及該領域近年來的巨大進展。本書已被卡內基-梅隆、哈佛、斯坦福、劍橋等120多所大學采用為教材。本書作為流行和經典的教材和專業參考書，主要麵嚮電子工程、計算機科學、數學和統計學、媒體處理、模式識彆、計算機視覺、人工智能和認知科學等領域的研究生和相關領域的科技人員。

目錄

齣版者的話
譯者序
前言
第1章 緒論
1.1 機器感知
1.2 一個例子
1.3 模式識彆係統
1.3.1 傳感器
1.3.2 分割和組織
1.3.3 特徵提取
1.3.4 分類器
1.3.5 後處理
1.4 設計循環
1.4.1 數據采集
1.4.2 特徵選擇
1.4.3 模型選擇
1.4.4 訓練
1.4.5 評價
1.4.6 計算復雜度
1.5 學習和適應
1.5.1 有監督學習
1.5.2 無監督學習
1.5.3 強化學習
1.6 本章小結
全書各章概要
文獻和曆史評述
參考文獻

第2章 貝葉斯決策論
2.1 引言
2.2 貝葉斯決策論——連續特徵
2.3 最小誤差率分類
2.3.1 極小化極大準則
2.3.2 Neyman-Pearson準則
2.4 分類器、判彆函數及判定麵
2.4.1 多類情況
2.4.2 兩類情況
2.5 正態密度
2.5.1 單變量密度函數
2.5.2 多元密度函數
2.6 正態分布的判彆函數
2.6.1 情況1：∑iδI
2.6.2 情況2：∑i=∑
2.6.3 情況3：∑=任意
2.7 誤差概率和誤差積分
2.8 正態密度的誤差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信號檢測理論和操作特性
2.9 貝葉斯決策論——離散特徵
2.9.1 獨立的二值特徵
2.1 0丟失特徵和噪聲特徵
2.1 0.1 丟失特徵
2.1 0.2 噪聲特徵
2.1 1貝葉斯置信網
2.1 2復閤貝葉斯決策論及上下文
本章小結
文獻和曆史評述
習題
上機練習
參考文獻

第3章 最大似然估計和貝葉斯參數估計
3.1 引言
3.2 最大似然估計
3.2.1 基本原理
3.2.2 高斯情況：u未知
3.2.3 高斯情況：u和∑均未知
3.2.4 估計的偏差
3.3 貝葉斯估計
3.3.1 類條件密度
3.3.2 參數的分布
3.4 貝葉斯參數估計：高斯情況
3.4.1 單變量情況：P(U|D)
3.4.2 單變量情況：P(z|D)
3.4.3 多變量情況
3.5 貝葉斯參數估計：一般理論
3.5.1 最大似然方法和貝葉斯方法何時有區彆
3.5.2 無信息先驗和不變性
3.5.3 吉布斯算法
3.6 充分統計量
3.7 維數問題
3.7.1 精度、維數和訓練集的大
3.7.2 計算復雜度
3.7.3 過擬閤
3.8 成分分析和判彆函數
3.8.1 主成分分析
3.8.2 Fisher綫性判彆分析
3.8.3 多重判彆分析
3.9 期望最大化算法
3.10 隱馬爾可夫模型
3.10.1 一階馬爾可夫模型
3.10.2 一階隱馬爾可夫模型
3.10.3 隱馬爾可夫模型的計算
3.10.4 估值問題
3.10.5 解碼問題
3.10.6 學習問題
本章小結
文獻和曆史評述
習題
上機練習
參考文獻

第4章 非參數技術
4.1 引言
4.2 概率密度的估計
4.3 Parzen窗方法
4.3.1 均值的收斂性
4.3.2 方差的收斂性
4.3.3 舉例說明
4.3.4 分類的例子
4.3.5 概率神經網絡
4.3.6 窗函數的選取
4.4 Kπ近鄰估計
4.4.1 Kπ近鄰估計和Parzen窗估計
4.4.2 後驗概率的估計
4.5 最近鄰規則
4.5.1 最近鄰規則的收斂性
4.5.2 最近鄰規則的誤差率
4.5.3 誤差界
4.5.4 K-近鄰規則
4.5.5 K-近鄰規則的計算復雜度
4.6 距離度量和最近鄰分類
4.6.1 度量的性質
4.6.2 切空間距離
4.7 模糊分類
4.8 RCE網絡
4.9 級數展開逼近
本章小結
文獻和曆史評述
習題
上機練習
參考文獻

第5章 綫性判彆函數
5.1 引言
5.2 綫性判彆函數和判定麵
5.2.1 兩類情況
5.2.2 多類的情況
5.3 廣義綫性判彆函數
5.4 兩類綫性可分的情況
5.4.1 幾何解釋和術語
5.4.2 梯度下降算法
5.5 感知器準則函數最小化
5.5.1 感知器準則函數
5.5.2 單個樣本校正的收斂性證明
5.5.3 一些直接的推廣
5.6 鬆弛算法
5.6.1 下降算法
5.6.2 收斂性證明
5.7 不可分的情況
5.8 最小平方誤差方法
5.8.1 最小平方誤差及僞逆
5.8.2 與Fisher綫性判彆的關係
5.8.3 最優判彆的漸近逼近
5.8.4 Widrow-Hoff算法或最小均方算法
5.8.5 隨機逼近法
5.9 Ho-Kashyap算法
5.9.1 下降算法
5.9.2 收斂性證明
5.9.3 不可分的情況
5.9.4 一些相關的算法
5.10 綫性規劃算法
5.10.1 綫性規劃
5.10.2 綫性可分情況
5.10.3 極小化感知器準則函數
5.11 支持嚮量機
5.12 推廣到多類問題
5.12.1 Kesler構造法
5.12.2 固定增量規則的收斂性
5.12.3 MSE算法的推廣
本章小結
文獻和曆史評述
習題
上機練習
參考文獻
……

第7章 隨機方法
第8章 非度量方法
第9章 獨立於算法的機器學習
第10章 無監督學習和聚類
附錄A 數學基礎
參考文獻
索引

前言/序言

模式分類（原書第2版） epub pdf mobi txt 電子書 下載 2024

模式分類（原書第2版） 下載 epub mobi pdf txt 電子書

評分☆☆☆☆☆

還可以吧，總之來說。經典

評分☆☆☆☆☆

還不錯

評分☆☆☆☆☆

可以，我覺得不錯

評分☆☆☆☆☆

挺全麵

評分☆☆☆☆☆

辦公室一個同事推薦的，讀一讀拓展自己的專業技術

評分☆☆☆☆☆

計算機學科，機器學習，人工智能方麵必讀書籍

評分☆☆☆☆☆

好書

評分☆☆☆☆☆

可以

評分☆☆☆☆☆

電商物流哪傢好，早上京東下午到。

类似图書 點擊查看全場最低價