機器學習與視覺感知(2016年清華大學出版社出版的圖書)

機器學習與視覺感知(2016年清華大學出版社出版的圖書)

本詞條是多義詞,共2個義項
更多義項 ▼ 收起列表 ▲

《機器學習與視覺感知》是2016年6月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
  • 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:2016年6月
  • 定價:30 元
  • ISBN:9787302428114
內容簡介,圖書目錄,

內容簡介

本書旨在通過對機器學習主要原理和方法的介紹,並且結合作者多年來在視覺感知方面的研究成果,對於其他書籍未涉及的一些前沿研究進行補充闡述。本書面向有一定數學基礎的模式識別專業的本科生和研究生,以及有志於鑽研模式識別相關領域,包括機器學習和視覺感知等方向的讀者,通過對於基礎理論循序漸進、深入淺出的講解,幫助讀者更快速地掌握機器學習的基本方法,在此基礎上每章的內容由易到難,讀者可以根據自己的掌握程度以及興趣,選擇特定的方向進行更深入的學習。

圖書目錄

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
4.1.2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
4.1.5實驗結果/37
4.2樸素貝葉斯原理及套用/40
4.2.1貝葉斯最佳假設原理/40
4.2.2Naive Bayes 分類/41
4.2.3基於Naive Bayes的文本分類器/41
4.3HMM(隱性馬氏模型)及套用/44
4.3.1馬爾科夫性/44
4.3.3轉移機率矩陣/44
4.3.4HMM(隱性馬氏模型)及套用/45
小結/47第5章支持向量機/49
引言/49
5.1支持向量機/49
5.2支持向量機的實現算法/54
5.3支持向量機的實例/55
5.4多類支持向量機/58
小結/58第6章AdaBoost/59
引言/59
6.1AdaBoost與目標檢測/59
6.1.1AdaBoost算法/59
6.1.2初始化/61
6.2具有強魯棒性的實時目標檢測/63
6.2.1矩形特徵選取/63
6.2.2積分圖/64
6.2.3訓練結果/65
6.2.4級聯/66
6.3運用統計學的目標檢測/67
6.4隨機森林/68
6.4.1原理闡述/68
6.4.2算法詳解/68
6.4.3算法分析/68
小結/69第7章壓縮感知/70
引言/70
7.1壓縮感知理論框架/70
7.2壓縮感知的基本理論及核心問題/71
7.2.1壓縮感知的數學模型/71
7.2.2信號的稀疏表示/71
7.2.3信號的觀測矩陣/72
7.2.4信號的重構算法/73
7.3壓縮感知的套用與仿真/73
7.3.1套用/73
7.3.2人臉識別/74
小結/76第8章子空間/77
引言/77
8.1基於主成分分析的特徵提取/77
8.2數學模型/79
8.3主成分的數學上的計算/80
8.3.1兩個線性代數的結論/80
8.3.2基於協方差矩陣的特徵值分解/80
8.3.3主成分分析的步驟/81
8.4主成分分析的性質/82
8.5基於主成分分析的人臉識別方法/83
小結/84第9章深度學習與神經網路/85
引言/85
9.1神經網路及其主要算法/85
9.1.2感知器/85
9.1.3三層前饋網路/87
9.1.4反向傳播算法/88
9.2深度學習/90
9.2.1深度學習概述/90
9.2.2自編碼算法AutoEncoder/91
9.2.3自組織編碼深度網路/92
9.2.4卷積神經網路模型/93
小結/96第10章強化學習/97
引言/97
10.1強化學習概述/97
10.2強化學習過程/98
10.2.1馬爾科夫性/98
10.2.2獎勵/98
10.2.3估價函式/99
10.2.4動態規劃/99
10.2.5蒙特卡洛方法/100
10.2.6時序差分學習/100
10.2.7QLearning/102
10.2.8Q學習算法的改進/103
10.3程式實現/105參考文獻/109

相關詞條

熱門詞條

聯絡我們