掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
模式識別 版權信息
- ISBN：9787111766674
- 條形碼：9787111766674 ; 978-7-111-76667-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別 本書特色
本書是南京大學吳建鑫教授多年深耕學術研究和教學實踐的潛心力作，系統闡述了模式識別中的基礎知識、主要模型及熱門應用，并給出了近年來該領域一些新的成果和觀點，是高等院校人工智能、計算機、自動化、電子和通信等相關專業模式識別課程的優秀教材。
模式識別 內容簡介
本書是模式識別領域的入門教材，系統闡述了模式識別的基礎知識、主要模型及熱門應用，并給出了近年來本領域一些新的成果和觀點.。本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關專業研究生或本科生的教材，也可供相關領域研究人員和工程技術人員參考。全書共15章，分為五部分：**部分（第1~4章）介紹了模式識別的基礎知識；第二部分（第5~6章）介紹了與領域知識無關的特征提取；第三部分（第7~10章）介紹了分類器與其他工具；第四部分（第11~12章）介紹了如何處理變化多端的數據；第五部分（第13~15章）介紹了一些高階課題，包括正態分布、EM算法和卷積神經網絡。本書可作為高等院校人工智能、計算機、自動化、電子和通信等相關專業研究生或本科生的教材，也可供相關領域研究人員和工程技術人員參考。
模式識別模式識別 前言
前言
模式識別是從輸入數據中自動提取有用的模式并將其用于決策的過程, 一直以來都是計算機科學及相關領域的重要研究內容之一. 當前受到高度重視的深度學習技術, 其應用主要也是各種模式識別任務. 模式識別在社會生活的各個方面均有廣泛的直接應用, 而相關的人才缺口卻相當大, 也就是說, 我們為加強模式識別及相關領域的人才培養添磚加瓦是很有必要的.
本書作為模式識別領域的入門教材, 目的就是介紹模式識別中的基礎知識、主要模型及熱門應用, 通過理論學習和動手實踐相結合的形式使初學者能有效入門, 并培養獨立解決任務的能力, 為模式識別的項目開發及相關科研活動打好基礎.
在模式識別領域中已經出版了若干經典的中、英文教材, 那么, 是否還需要一本新的教材 (比如你眼前的這一本) 呢？
受諸多因素 (例如深度學習的廣泛普及) 影響, 目前模式識別體現出一些與 10 年前較為不同的特性,而本領域的一些經典教材大多出版于 10 年之前. 因此, 本書除了在*后一章介紹了卷積神經網絡這一主要的深度學習模型之外, 還在各處給出近年來本領域一些新的成果和觀點.
模式識別 目錄
目錄
前言
符號表
**部分 概述
第 1 章 緒論 2
1.1 樣例: 自動駕駛 3
1.2 模式識別與機器學習 5
1.2.1 一個典型的模式識別流程 5
1.2.2 模式識別與機器學習8
1.2.3 評估、部署和細化 9
1.3 本書的結構 10
習題 12
第 2 章 數學背景知識 15
2.1 線性代數 15
2.1.1 內積、范數、距離和正交性16
2.1.2 角度與不等式 16
2.1.3 向量投影 17
2.1.4 矩陣基礎 18
2.1.5 矩陣乘法 19
2.1.6 方陣的行列式與逆20
2.1.7 方陣的特征值、特征向量、秩和跡 22
2.1.8 奇異值分解 23
2.1.9 (半) 正定實對稱矩陣 24
2.2 概率 25
2.2.1 基礎 25
2.2.2 聯合分布、條件分布與貝葉斯定理 27
VIII 模式識別
2.2.3 期望與方差/協方差矩陣 28
2.2.4 不等式 30
2.2.5 獨立性與相關性 30
2.2.6 正態分布 31
2.3 優化與矩陣微積分 32
2.3.1 局部極小、必要條件和矩陣微積分 33
2.3.2 凸優化與凹優化 34
2.3.3 約束優化和拉格朗日乘子法36
2.4 算法復雜度 37
2.5 閱讀材料 38
習題 39
第 3 章 模式識別系統概述 42
3.1 人臉識別 42
3.2 一個簡單的*近鄰分類器 43
3.2.1 訓練或學習 43
3.2.2 測試或預測 44
3.2.3 *近鄰分類器 44
3.2.4 k-近鄰 46
3.3 丑陋的細節 46
3.4 制定假設并化簡 49
3.4.1 設計工作環境與設計復雜算法 49
3.4.2 假設與簡化 50
3.5 一種框架 54
3.6 閱讀材料 55
習題 56
第 4 章 評估 58
4.1 簡單情形中的準確率和錯誤率 58
4.1.1 訓練與測試誤差 59
4.1.2 過擬合與欠擬合 60
4.1.3 使用驗證集來選擇超參數62
4.1.4 交叉驗證 63
4.2 *小化代價/損失 64
4.2.1 正則化 65
4.2.2 代價矩陣 66
目 錄 IX
4.2.3 貝葉斯決策理論 67
4.3 不平衡問題中的評估67
4.3.1 單個類別內的比率67
4.3.2 ROC 曲線下的面積 69
4.3.3 查準率、查全率和 F 值 70
4.4 我們能達到 100％的準確率嗎？ 72
4.4.1 貝葉斯錯誤率 72
4.4.2 真實標記 73
4.4.3 偏置-方差分解 74
4.5 對評估結果的信心 77
4.5.1 為什么要取平均？77
4.5.2 為什么要報告樣本標準差？78
4.5.3 比較兩個分類器 79
4.6 閱讀材料 84
習題 84
第二部分 與領域知識無關的特征提取
第 5 章 主成分分析 90
5.1 動機 90
5.1.1 維度與內在維度 90
5.1.2 降維 92
5.1.3 PCA 與子空間方法92
5.2 PCA 降維到零維子空間 93
5.2.1 想法-形式化-優化實踐 93
5.2.2 一個簡單的優化 94
5.2.3 一些注釋 94
5.3 PCA 降維到一維子空間 95
5.3.1 新的形式化 95
5.3.2 *優性條件與化簡96
5.3.3 與特征分解的聯系97
5.3.4 解98
5.4 PCA 投影到更多維度99
5.5 完整的 PCA 算法 99
X 模式識別
5.6 方差的分析 100
5.6.1 從*大化方差出發的 PCA102
5.6.2 一種更簡單的推導 103
5.6.3 我們需要多少維度呢？ 103
5.7 什么時候使用或不用 PCA 呢？ 104
5.7.1 高斯數據的 PCA 104
5.7.2 非高斯數據的 PCA 105
5.7.3 含異常點數據的 PCA 106
5.8 白化變換106
5.9 特征分解與 SVD 107
5.10 閱讀材料 107
習題 107
第 6 章 Fisher 線性判別 111
6.1 用于二分類的 FLD 112
6.1.1 想法: 什么是隔得很遠呢?112
6.1.2 翻譯成數學語言 114
6.1.3 散度矩陣與協方差矩陣 115
6.1.4 兩種散度矩陣以及 FLD 的目標函數 116
6.1.5 優化 117
6.1.6 等等, 我們有一條捷徑! 118
6.1.7 二分類問題的 FLD118
6.1.8 陷阱: 要是 S_W 不可逆呢? 119
6.2 用于多類的 FLD 120
6.2.1 稍加修改的符號和 S_W 120
6.2.2 S_B 的候選 121
6.2.3 三個散度矩陣的故事 121
6.2.4 解 122
6.2.5 找到更多投影方向 122
6.3 閱讀材料123
習題 123
目 錄 XI
第三部分 分類器與其他工具
第 7 章 支持向量機 128
7.1 SVM 的關鍵思想 128
7.1.1 簡化它! 簡化它! 簡化它!129
7.1.2 查找*大 (或較大) 間隔的分類器 130
7.2 可視化并計算間隔 131
7.2.1 幾何的可視化 131
7.2.2 將間隔作為優化來計算 132
7.3 *大化間隔 133
7.3.1 形式化 133
7.3.2 各種簡化 134
7.4 優化與求解 136
7.4.1 拉格朗日函數與 KKT 條件 136
7.4.2 SVM 的對偶形式137
7.4.3 *優的 b 值與支持向量138
7.4.4 同時考慮原始形式與對偶形式 140
7.5 向線性不可分問題
前言
符號表
**部分 概述
第 1 章 緒論 2
1.1 樣例: 自動駕駛 3
1.2 模式識別與機器學習 5
1.2.1 一個典型的模式識別流程 5
1.2.2 模式識別與機器學習8
1.2.3 評估、部署和細化 9
1.3 本書的結構 10
習題 12
第 2 章 數學背景知識 15
2.1 線性代數 15
2.1.1 內積、范數、距離和正交性16
2.1.2 角度與不等式 16
2.1.3 向量投影 17
2.1.4 矩陣基礎 18
2.1.5 矩陣乘法 19
2.1.6 方陣的行列式與逆20
2.1.7 方陣的特征值、特征向量、秩和跡 22
2.1.8 奇異值分解 23
2.1.9 (半) 正定實對稱矩陣 24
2.2 概率 25
2.2.1 基礎 25
2.2.2 聯合分布、條件分布與貝葉斯定理 27
VIII 模式識別
2.2.3 期望與方差/協方差矩陣 28
2.2.4 不等式 30
2.2.5 獨立性與相關性 30
2.2.6 正態分布 31
2.3 優化與矩陣微積分 32
2.3.1 局部極小、必要條件和矩陣微積分 33
2.3.2 凸優化與凹優化 34
2.3.3 約束優化和拉格朗日乘子法36
2.4 算法復雜度 37
2.5 閱讀材料 38
習題 39
第 3 章 模式識別系統概述 42
3.1 人臉識別 42
3.2 一個簡單的*近鄰分類器 43
3.2.1 訓練或學習 43
3.2.2 測試或預測 44
3.2.3 *近鄰分類器 44
3.2.4 k-近鄰 46
3.3 丑陋的細節 46
3.4 制定假設并化簡 49
3.4.1 設計工作環境與設計復雜算法 49
3.4.2 假設與簡化 50
3.5 一種框架 54
3.6 閱讀材料 55
習題 56
第 4 章 評估 58
4.1 簡單情形中的準確率和錯誤率 58
4.1.1 訓練與測試誤差 59
4.1.2 過擬合與欠擬合 60
4.1.3 使用驗證集來選擇超參數62
4.1.4 交叉驗證 63
4.2 *小化代價/損失 64
4.2.1 正則化 65
4.2.2 代價矩陣 66
目 錄 IX
4.2.3 貝葉斯決策理論 67
4.3 不平衡問題中的評估67
4.3.1 單個類別內的比率67
4.3.2 ROC 曲線下的面積 69
4.3.3 查準率、查全率和 F 值 70
4.4 我們能達到 100％的準確率嗎？ 72
4.4.1 貝葉斯錯誤率 72
4.4.2 真實標記 73
4.4.3 偏置-方差分解 74
4.5 對評估結果的信心 77
4.5.1 為什么要取平均？77
4.5.2 為什么要報告樣本標準差？78
4.5.3 比較兩個分類器 79
4.6 閱讀材料 84
習題 84
第二部分 與領域知識無關的特征提取
第 5 章 主成分分析 90
5.1 動機 90
5.1.1 維度與內在維度 90
5.1.2 降維 92
5.1.3 PCA 與子空間方法92
5.2 PCA 降維到零維子空間 93
5.2.1 想法-形式化-優化實踐 93
5.2.2 一個簡單的優化 94
5.2.3 一些注釋 94
5.3 PCA 降維到一維子空間 95
5.3.1 新的形式化 95
5.3.2 *優性條件與化簡96
5.3.3 與特征分解的聯系97
5.3.4 解98
5.4 PCA 投影到更多維度99
5.5 完整的 PCA 算法 99
X 模式識別
5.6 方差的分析 100
5.6.1 從*大化方差出發的 PCA102
5.6.2 一種更簡單的推導 103
5.6.3 我們需要多少維度呢？ 103
5.7 什么時候使用或不用 PCA 呢？ 104
5.7.1 高斯數據的 PCA 104
5.7.2 非高斯數據的 PCA 105
5.7.3 含異常點數據的 PCA 106
5.8 白化變換106
5.9 特征分解與 SVD 107
5.10 閱讀材料 107
習題 107
第 6 章 Fisher 線性判別 111
6.1 用于二分類的 FLD 112
6.1.1 想法: 什么是隔得很遠呢?112
6.1.2 翻譯成數學語言 114
6.1.3 散度矩陣與協方差矩陣 115
6.1.4 兩種散度矩陣以及 FLD 的目標函數 116
6.1.5 優化 117
6.1.6 等等, 我們有一條捷徑! 118
6.1.7 二分類問題的 FLD118
6.1.8 陷阱: 要是 S_W 不可逆呢? 119
6.2 用于多類的 FLD 120
6.2.1 稍加修改的符號和 S_W 120
6.2.2 S_B 的候選 121
6.2.3 三個散度矩陣的故事 121
6.2.4 解 122
6.2.5 找到更多投影方向 122
6.3 閱讀材料123
習題 123
目 錄 XI
第三部分 分類器與其他工具
第 7 章 支持向量機 128
7.1 SVM 的關鍵思想 128
7.1.1 簡化它! 簡化它! 簡化它!129
7.1.2 查找*大 (或較大) 間隔的分類器 130
7.2 可視化并計算間隔 131
7.2.1 幾何的可視化 131
7.2.2 將間隔作為優化來計算 132
7.3 *大化間隔 133
7.3.1 形式化 133
7.3.2 各種簡化 134
7.4 優化與求解 136
7.4.1 拉格朗日函數與 KKT 條件 136
7.4.2 SVM 的對偶形式137
7.4.3 *優的 b 值與支持向量138
7.4.4 同時考慮原始形式與對偶形式 140
7.5 向線性不可分問題
展開全部
模式識別 作者簡介
吳建鑫
南京大學人工智能學院教授、博士生導師，入選中組部青年海外高層次人才引進計劃（青年千人計劃），2014年獲得國家自然科學基金委優秀青年科學基金項目支持。主要從事計算機視覺和機器學習等領域的研究。在重要國際期刊如 TPAMI、IJCV、AIJ、JMLR 等以及重要國際會議如 ICCV、CVPR、ICML 等發表論文 100 余篇。曾擔任國際會議 CVPR、ICCV、AAAI、IJCAI
等領域主席。發表論文被 60 余個國家和地區的學者引用 22000 余次。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
自卑與超越
- >
回憶愛瑪儂
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
唐代進士錄
- >
隨園食單
- >
上帝之肋:男人的真實旅程
- >
我與地壇
本類暢銷
