機器學習與視覺感知（第2版）

《機器學習與視覺感知（第2版）》是2020年清華大學出版社出版的圖書，作者是張寶昌、楊萬扣、林娜娜

基本介紹

• 中文名：機器學習與視覺感知（第2版）
• 作者：張寶昌、楊萬扣、林娜娜 
• 出版社：清華大學出版社
• 出版時間：2020年 
• 定價：49 元
• ISBN： 9787302561859

內容簡介

本書分為基礎篇和高級篇。基礎篇介紹機器學習的主要原理和方法、以及最近幾年來的最新進展，包括機器學習的發展史、決策樹學習、PAC模型、貝葉斯學習、支持向量機、AdaBoost、壓縮感知、子空間、深度學習與神經網路、MCNs、強化學習等內容。在高級篇部分，主要介紹一下作者多年來在機器學習與視覺感知方面的研究成果，包括HGPP、LDP、KBP、高階差分碼、Kernel Learning、Bag of Feature model等方法原理闡述與套用。

目錄

第1章機器學習的發展史1

引言1

1.1機器學習1

1.1.1基本簡介1

1.1.2機器學習的定義和研究意義2

1.1.3機器學習的發展史3

1.1.4機器學習的主要策略3

1.1.5機器學習系統的基本結構4

1.1.6機器學習的分類4

1.1.7目前研究領域8

1.2統計模式識別問題9

1.2.1機器學習問題的表示9

1.2.2經驗風險最小化11

1.2.3複雜性與推廣能力11

1.3統計學習理論的核心內容12

1.3.1學習過程一致性的條件13

1.3.2推廣性的界13

1.3.3結構風險最小化15

小結17第2章PAC模型18

引言18

2.1基本的PAC模型18

2.1.1PAC簡介18

2.1.2基本概念18

2.1.3問題框架19

2.2PAC模型樣本複雜度分析20

2.2.1有限空間樣本複雜度20

2.2.2無限空間樣本複雜度21

小結22第3章決策樹學習23

引言23

3.1決策樹學習概述23

3.1.1決策樹24

3.1.2性質25

3.1.3套用25

3.1.4學習26

3.2決策樹設計26

3.2.1決策樹的特點27

3.2.2決策樹的生成27

小結33第4章貝葉斯學習34

引言34

4.1貝葉斯學習34

4.1.1貝葉斯公式34

4.1.2最小誤差決策35

4.1.3正態密度35

4.1.4最大似然估計36

4.2樸素貝葉斯原理及套用37

4.2.1貝葉斯最佳假設原理37

4.2.2Naive Bayes分類37

4.2.3基於Naive Bayes...