由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高99元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版新书]模式识别——使用Python分析与实现 蔡利梅 清华大学出版社 人工智能
¥ ×1
| 书名: | 模式识别——使用Python分析与实现 |
| 出版社: | 清华大学出版社 |
| 出版日期 | 2025 |
| ISBN号: | 9787302683728 |
| |
| 本书是一本模式识别学习的立体教程,通过本书的学习,能够掌握模式识别主要技术模块的算法原理及Python实现,包括贝叶斯决策、概率密度函数的估计、线性判别分析、非线性判别分析、组合分类器、无监督模式识别、特征选择、特征提取、半监督学习以及人工神经网络等。本书配以教学课件、Python仿真程序、微课视频和实验指导书,便于教和学。 |
| |
| 蔡利梅 中国矿业大学信息与控制工程学院副教授,长期从事图像处理与模式识别领域的教学和研究工作。曾获教育部高等学校科学技术进步奖二等奖、河南省科技进步奖二等奖、江苏省科学技术奖三等奖、中国煤炭工业协会科学技术奖一等奖等省部级以上科技奖励8项;获国家发明专利授权2项;出版教材4部、科技图书1部;获校级教学成果奖特等奖1项,一等奖1项,全国煤炭行业教育教学成果奖三等奖1项,并多次获校级“教书育人先进个人”、“百佳教师”等荣誉。 |
| |
| �8�9 易学易教:各种算法叙述思路清晰,编写示例,设计实例,有助于初学者对算法的理解。配以教学建议、教学课件、程序代码、实验指导、微课视频等资源,便于学习。 �8�9 注重实践:在系统阐述理论算法的同时,对每种算法设计基于Python的仿真程序,在各章习题中安排编程题目,加强实践,加深读者对各种算法的理解和掌握。 �8�9 内容丰富:涵盖模式识别的十个知识模块,均包含理论和实践部分;除经典算法外,增加了较新的理论和算法,可以选择性地学习;阐述由浅入深,符合大学生的学习规律。
|
| |
| 目录
第1章绪论
微课视频4分钟
1.1模式识别的基本概念
1.2模式识别方法
1.3模式识别系统
1.4模式识别的应用
1.5仿真环境与工具简介
习题
第2章贝叶斯决策
微课视频15分钟
2.1贝叶斯决策的基本概念
2.2最小错误率贝叶斯决策
2.2.1决策规则
2.2.2错误率
2.2.3仿真实现
2.3最小风险贝叶斯决策
2.3.1决策规则
2.3.2两种贝叶斯决策的关系
2.4朴素贝叶斯分类器
2.5NeymanPearson决策规则
2.6判别函数和决策面
2.7正态分布模式的贝叶斯决策
2.7.1正态概率密度函数
2.7.2正态概率模型下的最小错误率贝叶斯分类器
2.7.3仿真实现
2.8贝叶斯决策的实例
习题
第3章概率密度函数的估计
微课视频6分钟
3.1基本概念
3.2参数估计
3.2.1最大似然估计
3.2.2最大后验估计
3.2.3贝叶斯估计
3.3非参数估计
3.3.1直方图方法
3.3.2Parzen窗法
3.3.3kN近邻密度估计法
3.4最小错误率贝叶斯决策的实例
习题
第4章线性判别分析
微课视频17分钟
4.1基本概念
4.1.1线性判别函数
4.1.2广义线性判别函数
4.1.3线性判别函数的设计
4.2Fisher法
4.2.1基本原理
4.2.2准则函数及求解
4.2.3分类决策
4.2.4仿真实现
4.3感知器算法
4.3.1基本概念
4.3.2感知器准则函数及求解
4.3.3仿真实现
4.4最小二乘法
4.4.1平方误差和准则函数
4.4.2均方误差准则函数
4.4.3仿真实现
4.5支持向量机
4.5.1最优分类超平面与线性支持向量机
4.5.2非线性可分与线性支持向量机
4.5.3核函数与支持向量机
4.5.4仿真实现
4.6多类分类问题
4.6.1化多类分类为两类分类
4.6.2多类线性判别函数
4.6.3纠错输出编码方法
4.7线性判别分析的实例
习题
第5章非线性判别分析
微课视频11分钟
5.1近邻法
5.1.1最小距离分类器
5.1.2分段线性距离分类器
5.1.3近邻法及仿真实现
5.2二次判别函数
5.3决策树
5.3.1基本概念
5.3.2决策树的构建
5.3.3过学习与决策树的剪枝
5.3.4仿真实现
5.4Logistic回归
5.4.1基本原理
5.4.2多类分类任务
5.4.3仿真实现
5.5非线性判别分析的实例
习题
第6章组合分类器
微课视频12分钟
6.1组合分类器的设计
6.1.1个体分类器的差异设计
6.1.2分类器性能度量
6.1.3组合策略
6.2Bagging算法
6.3随机森林
6.4Boosting算法
6.4.1AdaBoost算法
6.4.2多类分类AdaBoost算法
6.4.3Gradient Boosting算法
6.5组合分类的实例
习题
第7章无监督模式识别
微课视频3分钟
7.1聚类算法的基本概念
7.2相似性测度
7.2.1样本相似性测度
7.2.2点和集合之间的相似性测度
7.2.3集合和集合之间的相似性测度
7.3动态聚类算法
7.3.1C均值聚类算法
7.3.2ISODATA算法
7.4层次聚类算法
7.4.1分裂层次聚类
7.4.2合并层次聚类
7.4.3仿真实现
7.5高斯混合聚类算法
7.5.1高斯混合分布
7.5.2高斯混合聚类
7.5.3EM算法
7.5.4仿真实现
7.6模糊聚类算法
7.6.1模糊集合的基本知识
7.6.2模糊C均值聚类算法
7.7密度聚类算法
7.8聚类性能度量
7.8.1外部准则
7.8.2内部准则
7.9聚类分析的实例
习题
第8章特征选择
微课视频9分钟
8.1概述
8.2特征的评价准则
8.2.1基于类内类间距离的可分性判据
8.2.2基于概率分布的可分性判据
8.2.3基于熵函数的可分性判据
8.2.4基于统计检验的可分性判据
8.2.5特征的相关性评价
8.3特征选择的优化算法
8.3.1特征选择的最优算法
8.3.2特征选择的次优算法
8.3.3特征选择的启发式算法
8.4过滤式特征选择方法
8.5包裹式特征选择方法
8.6嵌入式特征选择方法
习题
第9章特征提取
微课视频3分钟
9.1概述
9.2基于类可分性判据的特征提取
9.3KL变换
9.3.1KL变换的定义
9.3.2KL变换的性质
9.3.3信息量分析
9.3.4奇异值分解
9.3.5仿真实现
9.4独立成分分析
9.4.1问题描述
9.4.2ICA算法
9.4.3仿真实现
9.5非负矩阵分解
9.6稀疏滤波
9.7多维尺度法
9.7.1经典尺度法
9.7.2度量型MDS法
9.7.3非度量型MDS法
9.7.4等度量映射
9.8tSNE算法
9.9其他非线性降维方法
9.9.1拉普拉斯特征映射
9.9.2局部线性嵌入
习题
第10章半监督学习
10.1基本概念
10.2半监督分类
10.2.1生成式模型
10.2.2半监督支持向量机
10.2.3基于图的半监督学习
10.3半监督聚类
10.3.1约束C均值算法
10.3.2约束种子C均值算法
10.4半监督降维
10.4.1半监督局部Fisher判别分析
10.4.2基于约束的半监督降维
习题
第11章人工神经网络
11.1神经元模型
11.2多层感知器神经网络
11.2.1单层感知器
11.2.2多层感知器
11.2.3学习算法
11.2.4损失函数
11.2.5网络结构的设计
11.2.6在模式识别中的应用
11.3其他常见神经网络
11.3.1径向基函数神经网络
11.3.2自组织映射网络
11.3.3概率神经网络
11.3.4学习向量量化神经网络
11.4基于前馈型神经网络的分类实例
11.5深度神经网络简介
11.5.1受限玻尔兹曼机与深度置信网络
11.5.2卷积神经网络
11.5.3循环神经网络
11.5.4生成对抗网络
习题
参考文献
|
| |
|
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格
