同类推荐
-
-
周期系统和随机系统的分支理论
-
¥188.00
-
-
线性系统理论
-
¥85.00
-
-
离散与混杂控制的代数理论:英文版
-
¥98.00
-
-
奇异最优控制方法及其应用
-
¥59.00
-
-
控制系统原理与工程基础
-
¥48.00
-
-
现代控制理论基础教程
-
¥36.00
-
-
线性系统理论
-
¥69.00
-
-
现代控制基础
-
¥79.00
-
-
现代控制理论基础与应用
-
¥42.60
-
-
控制论:全译插图本
-
¥58.00
|
|
图书信息
|
|
|
模式识别与机器学习
|
ISBN: | 9787302558927 |
定价: | ¥69.50 |
作者: | 孙仕亮,赵静编著 |
出版社: | 清华大学出版社 |
出版时间: | 2020年10月 |
开本: | 23cm |
页数: | 11,327页 |
装祯: | 平装 |
中图法: | O235 |
相关供货商
供货商名称
|
库存量
|
库区
|
更新日期
|
|
|
|
|
其它供货商库存合计
|
500
|
|
2024-04-19
|
图书简介 | 本书系统论述模式识别的基本理论与方法, 由浅入深地介绍一些较为经典的模式识别算法及其近期的相关发展。本书注重算法的原理和细节的介绍, 使用通俗易懂的语言完整地介绍每一个算法, 使读者既能从整体把握算法的特点, 又能了解其深层原理。不同需求的读者可对内容进行选择性阅读。 |
目录 | 目录r r 第1章引言1r r 1.1基本概念1r r 1.1.1投票选举2r r 1.1.2三个小皮匠胜过诸葛亮3r r 1.1.34r r 1.2典型的机器学5r r 1.2.1医学图像诊断5r r 1.2.2时间序列识别6r r 1.2.3对话系统7r r 1.2.4异常检测8r r 1.3前沿研究方向举例9r r 1.3.1多视图机器学r r 1.3.2强化学r r 1.3.3可信人工智能11r r 1.4后续章节安排13r r 参考文献13r r 第2章贝叶斯学15r r 2.1贝叶斯公式16r r 2.2贝叶斯决策18r r 2.2.1小错误率贝叶斯决策18r r 2.2.2小风险贝叶斯决策21r r 2.3分类器的相关概念23r r 2.3.1分类器、判别函数和决策面24r r 2.3.2分类器的错误率25r r 2.4基于高斯分布的贝叶斯分类器26r r 2.5朴素贝叶斯分类器32r r 2.6参数估计33r r 2.6.1大似然估计33r r 2.6.2大后验估计35r r 2.6.3期望大化算法36r r 2.6.4贝叶斯参数估计37r r 思考与计算38r r 参考文献39r r 第3章逻辑回归40r r 3.1线回归41r r 3.1.1小二乘与大似然44r r 3.1.2正则化小二乘与大后验47r r 3.2贝叶斯线回归50r r 3.3逻辑回归52r r 3.3.1二类逻辑回归52r r 3.3.2多类逻辑回归55r r 3.4贝叶斯逻辑回归56r r 思考与计算60r r 参考文献60r r 第4章概率图模型基础61r r 4.1有向图模型63r r 4.1.1模型表示63r r 4.1.2条件独立65r r 4.1.3常见的有向图模型71r r 4.2无向图模型73r r 4.2.1模型表示73r r 4.2.2条件独立74r r 4.2.3常见的无向图模型81r r 4.3图模型中的推理82r r 4.3.1链式结构82r r 4.3.2树结构84r r 4.3.3因子图84r r 4.3.4和积算法85r r 4.3.5大和算法92r r 思考与计算94r r 参考文献95r r 第5章隐马尔可夫模型96r r 5.1模型表示97r r 5.2模型推理100r r 5.2.1边缘似然的推理101r r 5.2.2隐状态序列的推理107r r 5.2.3隐状态边缘后验的推理108r r 5.3参数学9r r 5.4模型扩展111r r 思考与计算115r r 参考文献116r r 第6章条件场117r r 6.1模型表示118r r 6.1.1线链条件场120r r 6.1.2一般的条件场121r r 6.1.3条件场的特征函数122r r 6.2模型推理124r r 6.2.1前向—后向算法125r r 6.2.2维特比算法129r r 6.3参数学0r r 6.4线链条件场与隐马尔可夫模型132r r 6.5模型扩展133r r 思考与计算133r r 参考文献134r r 第7章支持向量机135r r 7.1大间隔原理136r r 7.2基本分类模型137r r 7.3拉格朗日对偶优化138r r 7.4线不可分数据的分类140r r 7.4.1松弛变量140r r 7.4.2核方法142r r 7.5支持向量机回归144r r 7.6模型扩展146r r 思考与计算146r r 参考文献147r r 第8章人工神经网络与深度学8r r 8.1感知机149r r 8.2多层神经网络151r r 8.2.1神经元151r r 8.2.2多层神经网络模型153r r 8.2.3反向传播算法155r r 8.3深度神经网络159r r 8.3.1浅层与深度神经网络159r r 8.3.2过拟合问题160r r 8.3.3局部极值问题162r r 8.3.4梯度消失问题163r r 8.4常用的深度神经网络166r r 8.4.1自编码网络166r r 8.4.2深度玻尔兹曼机168r r 8.4.3深度信念网络169r r 8.4.4卷积神经网络170r r 8.4.5循环神经网络174r r 8.4.6Transformer177r r 思考与计算180r r 参考文献181r r 第9章高斯过程183r r 9.1高斯过程的定义184r r 9.2高斯过程回归模型185r r 9.2.1权重空间185r r 9.2.2函数空间189r r 9.3高斯过程分类模型192r r 9.3.1模型表示193r r 9.3.似推理方法195r r 9.4高斯过程与支持向量机199r r 9.5高斯过程与人工神经网络200r r 9.6模型扩展201r r 思考与计算203r r 参考文献203r r 第10章聚类205r r 10.1K均值聚类206r r 10.1.1算法介绍206r r 10.1.2模糊K均值聚类209r r 10.2谱聚类210r r 10.3高斯混合模型聚类217r r 10.3.1模型表示217r r 10.3.2模型推理与参数估计218r r 10.3.3无限高斯混合模型219r r 思考与计算222r r 参考文献223r r 第11章主成分分析与相关的谱方法224r r 11.1主成分分析225r r 11.1.1大化方差225r r 11.1.2小化误差227r r 11.1.3主成分分析与KL变换229r r 11.2概率PCA230r r 11.3核PCA232r r 11.4相关的谱方法234r r 11.4.1线判别分析234r r 11.4.2典型相关分析237r r 思考与计算242r r 参考文献243r r 第12章确定似推理244r r 12.似推理的应用场景245r r 12.2拉普拉似245r r 12.3变均似247r r 12.3.1基本理论247r r 12.3.2相关问题250r r 12.4期望传似253r r 12.4.1基本理论253r r 12.4.2相关问题256r r 思考与计算259r r 参考文献259r r 第13章似推理260r r 13.1采样方法的评价标准261r r 13.2基本的采样方法262r r 13.2.1均匀采样变换263r r 13.2.2拒绝采样264r r 13.2.3重要采样265r r 13.3马尔可夫链蒙特卡洛267r r 13.3.1MetropolisHastings采样267r r 13.3.2Gibbs采样269r r 13.3.3切片采样271r r 13.3.4哈密尔顿蒙特卡洛采样274r r 思考与计算277r r 参考文献278r r 第14章强化学0r r 14.1基本概念与理论基础281r r 14.2规划: 有环境模型的预测与控制286r r 14.2.1策略迭代287r r 14.2.2值迭代288r r 14.3无环境模型的控制: 基于值函数290r r 14.3.1蒙特卡洛控制291r r 14.3.2时序差分控制: SARSA292r r 14.3.3基于Q学策略控制293r r 14.3.4基于Q学度Q网络控制295r r 14.4无环境模型的控制: 基于策略296r r 14.4.1蒙特卡洛策略梯度法和REINFORCE算法297r r 14.4.2行动者—评论者算法299r r 思考与计算300r r 参考文献301r r 附录邻法302r r A.1邻法302r r A.2邻法的错误率分析302r r A.3k邻法305r r 参考文献306r r 附录B决策树307r r B.1基本原理307r r B.2信息增益和信息增益比309r r B.3代表算法311r r 参考文献313r r 附录C向量微积分314r r C.1向量微分314r r C.1.1常用定义314r r C.1.2求导规则316r r C.2向量积分319r r 参考文献322r r 附录D变量的变换323r r D.1概率密度中的变量变换323r r D.2期望中的变量变换326r r 参考文献327 |
|