店铺公告
本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!
1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!
2.店铺无纸质均开具电子，请联系客服开具电子版
| 商品基本信息 | |
| 商品名称： | 模式识别 |
| 作 者： | 吴建鑫 |
| 市 场 价： | 99.00元 |
| ISBN 号： | 9787111643890 |
| 出版日期： | 2020-03 |
| 页 数： | 368 |
| 字 数： | 450千字 |
| 出 版 社： | 机械工业出版社 |
| 目录 |
|
前言 符号表 第一部分概述.........................................................................1 第1章绪论.............................................................................2 1.1样例:自动驾驶..................................................................3 1.2模式识别与机器学习.............................................................5 1.2.1一个典型的模式识别流程.....................................................5 1.2.2模式识别vs.机器学习.......................................................8 1.2.3评估、部署和细化...........................................................9 1.3本书的结构......................................................................9 习题.................................................................................12 第2章数学背景知识..................................................................14 2.1线性代数.......................................................................14 2.1.1内积、范数、距离和正交性..................................................14 2.1.2角度与不等式..............................................................15 2.1.3向量投影..................................................................16 2.1.4矩阵基础..................................................................17 2.1.5矩阵乘法..................................................................18 2.1.6方阵的行列式与逆..........................................................19 2.1.7方阵的特征值、特征向量、秩和迹............................................20 2.1.8奇异值分解................................................................22 2.1.9(半)正定实对称矩阵.......................................................22 2.2概率............................................................................23 2.2.1基础......................................................................23 2.2.2联合分布、条件分布与贝叶斯定理............................................25 2.2.3期望与方差/协方差矩阵.....................................................26 2.2.4不等式....................................................................27 2.2.5独立性与相关性............................................................28 2.2.6正态分布..................................................................29 2.3优化与矩阵微积分..............................................................30 2.3.1局部极小、必要条件和矩阵微积分............................................30 2.3.2凸优化与凹优化............................................................31 2.3.3约束优化和拉格朗日乘子法.................................................33 2.4算法复杂度.....................................................................34 2.5阅读材料.......................................................................35 习题.................................................................................35 第3章模式识别系统概述.............................................................39 3.1人脸识别.......................................................................39 3.2一个简单的最近邻分类器.......................................................40 3.2.1训练或学习................................................................40 3.2.2测试或预测................................................................40 3.2.3最近邻分类器..............................................................41 3.2.4k-近邻....................................................................42 3.3丑陋的细节.....................................................................43 3.4制定假设并化简................................................................46 3.4.1设计工作环境vs.设计复杂算法.............................................46 3.4.2假设与简化................................................................47 3.5一种框架.......................................................................51 3.6阅读材料.......................................................................51 习题.................................................................................53 第4章评估............................................................................55 4.1简单情形中的准确率和错误率..................................................55 4.1.1训练与测试误差............................................................56 4.1.2过拟合与欠拟合............................................................56 4.1.3使用验证集来选择超参数...................................................58 4.1.4交叉验证..................................................................59 4.2最小化代价/损失...............................................................61 4.2.1正则化....................................................................62 4.2.2代价矩阵..................................................................62 4.2.3贝叶斯决策理论............................................................63 4.3不平衡问题中的评估............................................................64 4.3.1单个类别内的比率..........................................................64 4.3.2ROC曲线下的面积.........................................................65 4.3.3查准率、查全率和F值.....................................................66 4.4我们能达到100％的准确率吗?..................................................68 4.4.1贝叶斯错误率..............................................................68 4.4.2真实标记..................................................................69 4.4.3偏置-方差分解.............................................................70 4.5对评估结果的信心..............................................................73 4.5.1为什么要取平均?...........................................................73 4.5.2为什么要报告样本标准差?..................................................74 4.5.3比较两个分类器............................................................75 4.6阅读材料.......................................................................79 习题.................................................................................79 第二部分与领域知识无关的特征提取.............................................83 第5章主成分分析.....................................................................84 5.1动机............................................................................84 5.1.1维度与内在维度............................................................84 5.1.2降维......................................................................86 5.1.3PCA与子空间方法.........................................................86 5.2PCA降维到零维子空间........................................................86 5.2.1想法-形式化-优化实践......................................................87 5.2.2一个简单的优化............................................................87 5.2.3一些注释..................................................................88 5.3PCA降维到一维子空间........................................................88 5.3.1新的形式化................................................................88 5.3.2最优性条件与化简..........................................................89 5.3.3与特征分解的联系..........................................................90 5.3.4解........................................................................91 5.4PCA投影到更多维度...........................................................91 5.5完整的PCA算法...............................................................92 5.6方差的分析.....................................................................93 5.6.1从最大化方差出发的PCA..................................................94 5.6.2一种更简单的推导..........................................................95 5.6.3我们需要多少维度呢?.......................................................95 5.7什么时候使用或不用PCA呢?..................................................96 5.7.1高斯数据的PCA..........................................................96 5.7.2非高斯数据的PCA........................................................96 5.7.3含异常点数据的PCA......................................................98 5.8白化变换.......................................................................98 5.9特征分解vs.SVD..............................................................98 5.10阅读材料......................................................................99 习题.................................................................................99 第6章Fisher线性判别..............................................................103 6.1用于二分类的FLD...........................................................104 6.1.1想法:什么是隔得很远呢?..................................................104 6.1.2翻译成数学语言...........................................................105 6.1.3散度矩阵vs.协方差矩阵..................................................107 6.1.4两种散度矩阵以及FLD的目标函数........................................108 6.1.5优化.....................................................................108 6.1.6等等,我们有一条捷径.....................................................109 6.1.7二分类问题的FLD.......................................................109 6.1.8陷阱:要是SW不可逆呢?..................................................110 6.2用于多类的FLD..............................................................111 6.2.1稍加修改的符号和SW....................................................111 6.2.2SB的候选................................................................111 6.2.3三个散度矩阵的故事.......................................................112 6.2.4解.......................................................................113 6.2.5找到更多投影方向.........................................................113 6.3阅读材料......................................................................113 习题................................................................................114 第三部分分类器与其他工具.......................................................119 第7章支持向量机...................................................................120 7.1SVM的关键思想..............................................................120 7.1.1简化它!简化它!简化它!..................................................120 7.1.2查找最大（或较大）间隔的分类器...........................................121 7.2可视化并计算间隔.............................................................122 7.2.1几何的可视化.............................................................123 7.2.2将间隔作为优化来计算....................................................124 7.3最大化间隔....................................................................124 7.3.1形式化...................................................................125 7.3.2各种简化.................................................................125 7.4优化与求解....................................................................127 7.4.1拉格朗日函数与KKT条件................................................127 7.4.2SVM的对偶形式..........................................................128 7.4.3最优的b值与支持向量....................................................129 7.4.4同时考虑原始形式与对偶形式..............................................131 7.5向线性不可分问题和多类问题的扩展..........................................131 7.5.1不可分问题的线性分类器..................................................132 7.5.2多类SVM...............................................................134 7.6核SVM.......................................................................134 7.6.1核技巧...................................................................135 7.6.2Mercer条件与特征映射....................................................136 7.6.3流行的核函数与超参数....................................................137 7.6.4SVM的复杂度、权衡及其他...............................................138 7.7阅读材料......................................................................139 习题................................................................................139 第8章概率方法......................................................................144 8.1思考问题的概率路线..........................................................144 8.1.1术语.....................................................................144 8.1.2分布与推断...............................................................145 8.1.3贝叶斯定理...............................................................145 8.2各种选择......................................................................146 8.2.1生成式模型vs.判别式模型................................................146 8.2.2参数化vs.非参数化.......................................................147 8.2.3该如何看待一个参数呢?...................................................148 8.3参数化估计....................................................................148 8.3.1最大似然.................................................................148 8.3.2最大后验.................................................................150 8.3.3贝叶斯...................................................................151 8.4非参数化估计..................................................................153 8.4.1一个一维的例子...........................................................153 8.4.2直方图近似中存在的问题..................................................155 8.4.3让你的样本无远弗届.......................................................156 8.4.4核密度估计...............................................................157 8.4.5带宽选择.................................................................158 8.4.6多变量KDE.............................................................158 8.5做出决策......................................................................159 8.6阅读材料......................................................................159 习题................................................................................160 第9章距离度量与数据变换..........................................................163 9.1距离度量和相似度度量........................................................163 9.1.1距离度量.................................................................164 9.1.2向量范数和度量...........................................................164 9.1.3`p范数和`p度量.........................................................165 9.1.4距离度量学习.............................................................167 9.1.5均值作为一种相似度度量..................................................168 9.1.6幂平均核.................................................................170 9.2数据变换和规范化.............................................................171 9.2.1线性回归.................................................................172 9.2.2特征规范化...............................................................173 9.2.3数据变换.................................................................175 9.3阅读材料......................................................................177 习题................................................................................177 第10章信息论和决策树.............................................................182 10.1前缀码和霍夫曼树............................................................182 10.2信息论基础...................................................................183 10.2.1熵和不确定性...........................................................184 10.2.2联合和条件熵...........................................................184 10.2.3互信息和相对熵.........................................................185 10.2.4一些不等式.............................................................186 10.2.5离散分布的熵...........................................................187 10.3连续分布的信息论............................................................187 10.3.1微分熵.................................................................188 10.3.2多元高斯分布的熵......................................................189 10.3.3高斯分布是最大熵分布..................................................191 10.4机器学习和模式识别中的信息论.............................................192 10.4.1最大熵.................................................................192 10.4.2最小交叉熵.............................................................193 10.4.3特征选择...............................................................194 10.5决策树........................................................................195 10.5.1异或问题及其决策树模型................................................195 10.5.2基于信息增益的结点划分................................................197 10.6阅读材料.....................................................................198 习题................................................................................199 第四部分处理变化多端的数据....................................................203 第11章稀疏数据和未对齐数据......................................................204 11.1稀疏机器学习................................................................204 11.1.1稀疏PCA?............................................................204 11.1.2使用`1范数诱导稀疏性.................................................205 11.1.3使用过完备的字典......................................................208 11.1.4其他一些相关的话题....................................................210 11.2动态时间规整................................................................212 11.2.1未对齐的时序数据......................................................212 11.2.2思路（或准则）.........................................................213 11.2.3可视化和形式化.........................................................214 11.2.4动态规划...............................................................215 11.3阅读材料.....................................................................218 习题................................................................................218 第12章隐马尔可夫模型.............................................................222 12.1时序数据与马尔可夫性质.....................................................222 12.1.1各种各样的时序数据和模型..............................................222 12.1.2马尔可夫性质...........................................................224 12.1.3离散时间马尔可夫链....................................................225 12.1.4隐马尔可夫模型.........................................................227 12.2HMM学习中的三个基本问题................................................228 12.3?、ˉ和评估问题.............................................................229 12.3.1前向变量和算法.........................................................230 12.3.2后向变量和算法.........................................................231 12.4°、±、?和解码问题..........................................................234 12.4.1°和独立解码的最优状态................................................234 12.4.2±、?和联合解码的最优状态.............................................235 12.5?和HMM参数的学习.......................................................237 12.5.1Baum-Welch:以期望比例来更新?.......................................238 12.5.2如何计算?.............................................................238 12.6阅读材料.....................................................................240 习题................................................................................241 第五部分高阶课题.................................................................245 第13章正态分布.....................................................................246 13.1定义..........................................................................246 13.1.1单变量正态分布.........................................................246 13.1.2多元正态分布...........................................................247 13.2符号和参数化形式............................................................248 13.3线性运算与求和..............................................................249 13.3.1单变量的情形...........................................................249 13.3.2多变量的情形...........................................................250 13.4几何和马氏距离..............................................................251 13.5条件作用.....................................................................252 13.6高斯分布的乘积..............................................................253 13.7应用Ⅰ:参数估计............................................................254 13.7.1最大似然估计...........................................................254 13.7.2贝叶斯参数估计.........................................................255 13.8应用Ⅱ:卡尔曼滤波..........................................................256 13.8.1模型...................................................................256 13.8.2估计...................................................................257 13.9在本章中有用的数学.........................................................258 13.9.1高斯积分...............................................................258 13.9.2特征函数...............................................................259 13.9.3舒尔补&矩阵求逆引理.................................................260 13.9.4向量和矩阵导数.........................................................262 习题................................................................................263 第14章EM算法的基本思想........................................................266 14.1GMM:一个工作实例.........................................................266 14.1.1高斯混合模型...........................................................266 14.1.2基于隐变量的诠释......................................................267 14.1.3假若我们能观测到隐变量,那会怎样?......................................268 14.1.4我们可以模仿先知吗?...................................................269 14.2EM算法的非正式描述.......................................................270 14.3期望最大化算法..............................................................270 14.3.1联合非凹的不完整数据对数似然..........................................271 14.3.2(可能是)凹的完整数据对数似然..........................................271 14.3.3通用EM的推导........................................................272 14.3.4E步和M步...........................................................274 14.3.5EM算法...............................................................275 14.3.6EM能收敛吗?..........................................................275 14.4EM用于GMM..............................................................276 14.5阅读材料.....................................................................279 习题................................................................................279 第15章卷积神经网络................................................................281 15.1预备知识.....................................................................281 15.1.1张量和向量化...........................................................282 15.1.2向量微积分和链式法则..................................................283 15.2CNN概览....................................................................283 15.2.1结构...................................................................283 15.2.2前向运行...............................................................285 15.2.3随机梯度下降...........................................................285 15.2.4误差反向传播...........................................................286 15.3层的输入、输出和符号.......................................................287 15.4ReLU层......................................................................288 15.5卷积层........................................................................290 15.5.1什么是卷积?............................................................290 15.5.2为什么要进行卷积?.....................................................291 15.5.3卷积作为矩阵乘法......................................................293 15.5.4克罗内克积.............................................................295 15.5.5反向传播:更新参数.....................................................296 15.5.6更高维的指示矩阵......................................................297 15.5.7反向传播:为前一层准备监督信号.........................................298 15.5.8用卷积层实现全连接层..................................................300 15.6汇合层........................................................................301 15.7案例分析:VGG-16网络......................................................303 15.7.1VGG-Verydeep-16......................................................303 15.7.2感受野.................................................................304 15.8CNN的亲身体验.............................................................305 15.9阅读材料.....................................................................305 习题................................................................................305 参考文献................................................................................309 英文索引................................................................................325 中文索引................................................................................332 |
| 内容简介 |
| 介绍模式识别中的基础知识、主要模型及热门应用，使学生掌握模式识别的基本原理、实际应用以及*新研究进展，培养学生在本学科中的视野与独立解决任务的能力，为学生在模式识别的项目开发及相关科研活动打好基础。 |
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/shXa7a_kOOUx3L8FE1TPew.jpg_400w_400h_4e)
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/shXa7a_kOOUx3L8FE1TPew.jpg_60w_60h_4e)
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/QGkBAfKjBwjjxEiSPcnFDw.jpg_60w_60h_4e)
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/_nfH5J7-o_apXBDctJeFKA.jpg_60w_60h_4e)
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/RUFB48cpEJZ1tTitCNF3fQ.jpg_60w_60h_4e)
![[正版] 模式识别 吴建鑫 知识模型 热门应用 向量投影 人工智能 项目开发 机器学 深度学习 计算机视觉 人脸识别](http://imgservice.suning.cn/uimg1/b2c/image/U7-GjZozdQ4pOYKxpwP-PA.jpg_60w_60h_4e)
