返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版新书]模式识别及Python实现曾慧,李擎,等清华大学出版社模式识别,程序设计,Python,大模型
  • 新商品上架
    • 作者: 曾慧//李擎//张利欣著
    • 出版社: 清华大学出版社
    • 出版时间:2025-05
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    江莱图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 曾慧//李擎//张利欣著
    • 出版社:清华大学出版社
    • 出版时间:2025-05
    • 开本:16开
    • ISBN:9787302689911
    • 版权提供:清华大学出版社

    书名: 模式识别及Python实现
    出版社: 清华大学出版社
    出版日期 2025-04
    ISBN号: 9787302689911

    模式识别是人工智能领域的重要分支之一。本书是该领域入门教材,内容尽可能涵盖模式识别基础知识的各方面。全书共分9章,第1章介绍模式识别的基本概念、模式识别系统的组成;第2章介绍模式识别中的线性分类器;第3章介绍模式识别中的贝叶斯分类器;第4章介绍模式识别中的概率密度函数估计;第5章介绍模式识别中的其他典型分类方法;第6章介绍模式识别中的特征提取与选择;第7章介绍模式识别中常见的聚类分析方法;第8章介绍深度学习中的卷积神经网络和循环神经网络;第9章介绍模式识别的一些典型应用以及当前流行的大模型技术和生成式技术。除第1章和第9章外,每章均附有Python实现的相关算法,且提供相关习题,以便读者巩固所学知识。
    本书可以作为高等院校相关专业本科生和研究生的教材,也可以作为教辅资料,还可以作为模式识别领域科研人员和技术爱好者的参考资料。

     

    ● 本书作为人工智能领域的入门教材,涵盖了模式识别的基本概念和算法。内容新颖,结构合理,文字流畅,适合读者的学习需要。
    ● 全书给出模式识别方法的Python语言编程示例,把技术融入实践,加深学生对基本知识点的认识、理解和掌握。
    ● 详细讲解模式识别在生物特征识别、材料微观组织分析及大模型领域的典型案例,帮助读者更好地理解和掌握模式识别技术。
    ● 本书可以作为高等院校人工智能专业本科生和研究生的教材,也可以作为教辅资料,还可以作为模式识别领域科研人员和爱好者的参考资料。

    目录
    第1章模式识别概述1
    1.1基本概念1
    1.2系统组成2
    1.2.1数据获取2
    1.2.2预处理2
    1.2.3特征提取与选择3
    1.2.4分类识别3
    1.3基本方法3
    1.3.1根据表示方式分类3
    1.3.2根据学习方法分类4
    1.4应用场景4
    1.4.1图像识别与检索4
    1.4.2生物特征识别5
    1.4.3文字识别5
    1.4.4语音识别5
    1.5本书的主要内容6
    第2章线性分类器7
    2.1基本概念7
    2.2Fisher线性判别分析10
    2.3感知器算法15
    2.3.1规范化增广样本向量和解区16
    2.3.2感知器准则函数17
    2.4广义线性判别函数21
    2.5多类线性分类器22
    2.5.1两分法22
    2.5.2多类线性分类器23
    2.6Python实现27
    2.6.1Fisher线性分类器27
    2.6.2感知器29
    习题34
    第3章贝叶斯分类器36
    3.1基本概念36
    3.1.1先验概率37
    3.1.2类条件概率密度37
    3.1.3后验概率37
    3.1.4贝叶斯公式37
    3.2贝叶斯决策38
    3.2.1最小错误率贝叶斯决策38
    3.2.2最小风险贝叶斯决策40
    3.3基于正态分布的最小错误率贝叶斯分类器43
    3.4朴素贝叶斯分类器48
    3.5Python实现51
    3.5.1最小错误率贝叶斯决策和最小风险贝叶斯决策51
    3.5.2基于正态分布的最小错误率贝叶斯决策56
    3.5.3朴素贝叶斯分类器60
    习题62
    第4章概率密度函数估计65
    4.1基本概念65
    4.2似然估计方法66
    4.3贝叶斯估计与贝叶斯学习70
    4.3.1贝叶斯估计70
    4.3.2贝叶斯学习73
    4.4非参数估计的基本原理74
    4.5Parzen窗口估计法76
    4.6kN近邻估计法78
    4.7Python实现81
    4.7.1Parzen窗口估计法81
    4.7.2kN近邻估计法83
    习题85
    第5章其他典型分类方法87
    5.1近邻法87
    5.1.1最近邻法87
    5.1.2k近邻法88
    5.1.3改进的近邻法89
    5.2支持向量机90
    5.2.1线性可分的情况91
    5.2.2线性不可分情况94
    5.3决策树95
    5.3.1基本概念96
    5.3.2信息增益98
    5.3.3信息增益率99
    5.3.4基尼指数100
    5.3.5剪枝处理100
    5.3.6连续值处理103
    5.3.7缺失值处理103
    5.4随机森林104
    5.4.1基本概念104
    5.4.2袋外错误率105
    5.5Boosting方法106
    5.6Python实现109
    5.6.1线性支持向量机109
    5.6.2决策树度量指标计算111
    习题113
    第6章特征提取与选择114
    6.1基本概念114
    6.2类别可分性判断依据114
    6.2.1类别可分性准则114
    6.2.2基于距离的类别可分性判据115
    6.2.3基于概率密度函数的类别可分性判据118
    6.2.4基于熵的类别可分性判据119
    6.3主成分分析法120
    6.4多维尺度分析123
    6.4.1多维尺度法的概念123
    6.4.2古典解的求法125
    6.5特征选择方法127
    6.5.1搜索算法127
    6.5.2次优搜索算法129
    6.6Python实现130
    6.6.1主成分分析法130
    6.6.2多维尺度分析132
    习题133
    第7章聚类分析135
    7.1基于模型的方法135
    7.2动态聚类方法136
    7.2.1C均值算法137
    7.2.2ISODATA算法140
    7.3基于密度的聚类算法142
    7.3.1DBSCAN算法142
    7.3.2增量DBSCAN聚类算法143
    7.3.3DBSCAN算法的改进算法145
    7.4分级聚类方法146
    7.5Python实现147
    7.5.1C均值算法147
    7.5.2ISODATA算法150
    7.5.3DBSCAN算法154
    7.5.4分级聚类算法158
    习题160
    第8章深度神经网络161
    8.1卷积神经网络161
    8.1.1基本原理162
    8.1.2输入层163
    8.1.3卷积层163
    8.1.4池化层164
    8.1.5典型网络结构164
    8.2循环神经网络167
    8.2.1基本原理168
    8.2.2典型网络结构169
    8.3注意力机制170
    8.3.1认知神经学中的注意力171
    8.3.2网络中的注意力机制172
    8.3.3自注意力173
    8.4Python实现175
    8.4.1LeNet5网络实现手写数字识别175
    8.4

     

     

    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购