《視覺機器學習20講》是2015年6月1日清華大學出版社出版的圖書，作者是謝劍斌、興軍亮、張立寧、方宇強、李沛秦、劉通、閆瑋、王勇、沈傑、張政、譚筠、胡俊。
基本介紹
- 中文名：視覺機器學習20講
- 作者：謝劍斌、興軍亮、張立寧、方宇強、李沛秦、劉通、閆瑋、王勇、沈傑、張政、譚筠、胡俊
- 出版社：清華大學出版社
- 出版時間：2015年6月1日
- 定價：49 元
- ISBN：9787302397922
內容簡介,圖書目錄,
內容簡介
本書是計算機、自動化、信息、電子與通信學科方向的專著，詳盡地介紹了K-Means、KNN學習、回歸學習、決策樹學習、Random Forest、貝葉斯學習、EM算法、Adaboost、SVM方法、增強學習、流形學習、RBF學習、稀疏表示、字典學習、BP學習、CNN學習、RBM學習、深度學習、遺傳算法、蟻群方法等基本理論；深入闡述了視覺機器學習算法的最佳化方法和實驗仿真；系統地總結了其優點和不足。
本書特別重視如何將視覺機器學習算法的理論和實踐有機地結合，解決視覺機器學習領域中的諸多基礎問題，可套用於醫學圖像分析、工業自動化、機器人、無人車、人臉檢測與識別、車輛信息識別、行為檢測與識別、智慧型視頻監控等。本書特別重視算法的典型性和可實現性，既包含本領域的經典算法，也包含本領域的最新研究成果。
本書不僅可作為高年級本科生與研究生教材，而且也是從事視覺機器學習領域研發極為有用的參考資料。
圖書目錄
緒論 1
第1講 K-means 11
1.1 基本原理 11
1.2 算法改進 13
1.3 仿真實驗 16
1.4 算法特點 18
第 2 講 KNN學習 20
2.1 基本原理 20
2.2 算法改進 23
2.3 仿真實驗 24
2.4 算法特點 26
第 3 講 回歸學習 28
3.1 基本原理 28
3.1.1 參數回歸 29
3.1.2 非參數回歸 30
3.1.3 半參數回歸 30
3.2 算法改進 30
3.2.1 線性回歸模型 30
3.2.2 多項式回歸模型 31
3.2.3 主成分回歸模型 32
3.2.4 自回歸模型 33
3.2.5 核回歸模型 33
3.3 仿真實驗 37
3.3.1 回歸學習流程 37
3.3.2 基於回歸學習的直線邊緣提取 37
3.3.3 基於回歸學習的圖像插值 39
3.4 算法特點 41
第 4 講 決策樹學習 42
4.1 基本原理 42
4.1.1 分類與聚類 42
4.1.2 決策樹 43
4.1.3 信息增益的度量標準 43
4.1.4 信息增益度量期望的熵降低 44
4.1.5 悲觀錯誤剪枝PEP 46
4.1.6 基本決策樹算法 47
4.2 算法改進 47
4.2.1 ID3算法 47
4.2.2 C4.5算法 48
4.2.3 SLIQ算法 49
4.2.4 SPRINT算法 49
4.3 仿真實驗 50
4.3.1 用於學習布爾函式的ID3算法偽代碼 50
4.3.2 C4.5算法構造決策樹的偽代碼 51
4.4 算法特點 53
第 5 講 Random Forest學習 54
5.1 基本原理 54
5.1.1 決策樹 55
5.1.2 Bagging集成學習 55
5.1.3 Random Forest方法 56
5.2 算法改進 57
5.3 仿真實驗 58
5.3.1 Random Forest分類與回歸流程 58
5.3.2 Forest-RI和Forest-RC 59
5.3.3 基於Random Forest的頭部姿態估計 59
5.4 算法特點 60
第 6 講 貝葉斯學習 62
6.1 基本原理 62
6.2 算法改進 63
6.2.1 樸素貝葉斯模型 63
6.2.2 層級貝葉斯模型 65
6.2.3 增廣貝葉斯學習模型 66
6.2.4 基於Boosting技術的樸素貝葉斯模型 66
6.2.5 貝葉斯神經網路模型 66
6.3 仿真實驗 66
6.3.1 Learn_Bayse(X,V) 67
6.3.2 Classify_Bayse(X) 67
6.4 算法特點 68
第 7 講 EM算法 70
7.1 基本原理 70
7.2 算法改進 71
7.2.1 EM算法的快速計算 71
7.2.2 未知分布函式的選取 74
7.2.3 EM算法收斂性的改進 75
7.3 仿真實驗 77
7.3.1 EM算法流程 77
7.3.2 EM算法的偽代碼 77
7.3.3 EM算法套用——高斯混合模型 77
7.4 算法特點 79
第 8 講 Adaboost 81
8.1 基本原理 81
8.1.1 Boosting方法 81
8.1.2 Adaboost方法 82
8.2 算法改進 83
8.2.1 權值更新方法的改進 83
8.2.2 Adaboost並行算法 83
8.3 仿真實驗 83
8.3.1 Adaboost算法實現流程 83
8.3.2 Adaboost算法示例 84
8.4 算法特點 86
8.4.1 Adaboost算法的優點 86
8.4.2 Adaboost算法的缺點 87
第 9 講 SVM方法 88
9.1 基本原理 88
9.2 算法改進 90
9.3 仿真實驗 94
9.4 算法特點 100
第 10 講 增強學習 102
10.1 基本原理 102
10.2 算法改進 105
10.2.1 部分感知模型 105
10.2.2 增強學習中的函式估計 105
10.2.3 分層增強學習 106
10.2.4 多Agent增強學習 107
10.3 仿真實驗 107
10.4 算法特點 109
第 11 講 流形學習 111
11.1 算法原理 111
11.1.1 ISOMAP 112
11.1.2 LLE 113
11.1.3 LE 113
11.1.4 HE 115
11.2 算法改進 115
11.2.1 LPP 116
11.2.2 MFA 117
11.3 算法仿真 119
11.4 算法特點 123
第 12 講 RBF學習 126
12.1 基本原理 126
12.1.1 基於RBF函式的內插方法 126
12.1.2 RBF神經網路 129
12.1.3 數據中心的計算方法 130
12.2 算法改進 132
12.2.1 針對完全內插問題的改進方法 132
12.2.2 針對不適定問題的改進方法 133
12.2.3 廣義RBF神經網路 134
12.3 仿真實驗 134
12.3.1 基於高斯函式的RBF學習 134
12.3.2 RBF學習算法流程 135
12.4 算法特點 136
第 13 講 稀疏表示 138
13.1 基本原理 138
13.1.1 信號稀疏表示 138
13.1.2 貪婪求解算法 140
13.1.3 凸最佳化求解算法 141
13.2 算法改進 142
13.2.1 組合Lasso（Group Lasso） 142
13.2.2 混合Lasso（Fused Lasso） 143
13.2.3 彈性網路（Elastic net） 143
13.3 仿真實驗 143
13.3.1 OMP算法 143
13.3.2 APG算法 144
13.3.3 基於稀疏表示的人臉識別 145
13.4 算法特點 147
13.4.1 算法優點 147
13.4.2 算法缺點 147
第 14 講 字典學習 149
14.1 基本原理 149
14.2 算法改進 151
14.2.1 最優方向法（MOD） 151
14.2.2 K-SVD法 151
14.2.3 線上字典學習法 151
14.3 仿真實驗 152
14.3 基於字典學習的視頻圖像降噪方法 153
14.4 算法特點 154
14.4.1 算法優點 154
14.4.2 算法缺點 155
第 15 講 BP學習 156
15.1 基本原理 156
15.1.1 人工神經網路 156
15.1.2 BP學習原理 157
15.2 算法改進 162
15.2.1 改進學習速率 163
15.2.2 改進訓練樣本 164
15.2.3 改進損失函式 164
15.2.4 改進連線方式 165
15.3 仿真實驗 165
15.4 算法特點 167
第 16 講 CNN學習 170
16.1 基本原理 170
16.1.1 神經認知機模型 170
16.1.2 CNN算法思想 171
16.1.3 CNN網路結構 171
16.1.4 CNN網路學習 174
16.2 算法改進 178
16.2.1 設計新的卷積神經網路訓練策略 178
16.2.2 使用GPU加速卷積運算過程 178
16.2.3 使用並行計算提高網路訓練和測試速度 179
16.2.4 採用分散式計算提高網路訓練和測試速度 179
16.2.5 硬體化卷積神經網路 179
16.3 仿真實驗 179
16.3.1 卷積神經網路訓練算法仿真 179
16.3.2 卷積神經網路實際套用實例 181
16.4 算法特點 183
16.4.1 算法優點 183
16.4.2 算法缺點 183
第 17 講 RBM學習 185
17.1 基本原理 185
17.1.1 RBM學習思想 185
17.1.2 RBM模型基礎 186
17.1.3 RBM模型學習 189
17.2 算法改進 195
17.2.1 方差RBM 195
17.2.2 均值方差RBM 196
17.2.3 稀疏RBM 196
17.2.4 稀疏組RBM 197
17.2.5 分類RBM 197
17.3 仿真實驗 198
17.4 算法特點 199
17.4.1 算法優點 199
17.4.2 算法缺點 200
第 18 講 深度學習 203
18.1 基本原理 203
18.2 算法改進 212
18.3 仿真實驗 214
18.4 算法特點 215
第 19 講 遺傳算法 218
19.1 算法原理 218
19.2 算法改進 220
19.2.1 適應度函式設計 220
19.2.2 初始群體的選取 221
19.3 算法仿真 221
19.3.1 圖像預處理 222
19.3.2 車牌特徵選取 222
19.3.3 基於遺傳算法的車牌定位 223
19.4 算法特點 225
19.4.1 遺傳算法的優點 226
19.4.2 遺傳算法的不足 226
第 20 講 蟻群方法 228
20.1 基本原理 228
20.1.1 群智慧型 228
20.1.2 螞蟻尋找食物源方法 229
20.1.3 蟻群算法的規則 230
20.1.4 蟻群算法的實現 231
20.2 算法改進 232
20.2.1 基於遺傳學的改進蟻群算法 232
20.2.2 蟻群系統 232
20.2.3 精英蟻群系統 233
20.2.4 最大最小蟻群系統 233
20.2.5 排序蟻群系統 234
20.2.6 最優-最差螞蟻系統 235
20.3 仿真實驗 235
20.3.1 蟻群算法實例 235
20.3.2 蟻群算法實現流程 236
20.3.3 蟻群算法偽代碼 237
20.4 算法特點 238
