掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式分類(原書第2版·典藏版) 版權信息
- ISBN：9787111762324
- 條形碼：9787111762324 ; 978-7-111-76232-4
- 裝幀：精裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式分類(原書第2版·典藏版) 本書特色
本書是模式識別領域的經典教材，被卡內基·梅隆大學、哈佛大學、斯坦福大學、劍橋大學等多所學校選作教材，主要面向人工智能、計算機科學、電子工程、自動化、數學與統計學等領域的高年級本科生和研究生以及科技人員。
模式分類(原書第2版·典藏版) 內容簡介
本書的第1版《模式分類與場景分析》出版于1973年，是模式識別和場景分析領域奠基性的經典名著。在第2版中,除了保留了第1版的關于統計模式識別和結構模式識別的主要內容以外，讀者將會發現新增了許多近25年來的新理論和新方法，其中包括神經網絡、機器學習、數據挖掘、進化計算、不變量理論、隱馬爾可夫模型、統計學習理論和支持向量機等。作者還為未來25年的模式識別的發展指明了方向。書中包含許多實例，各種不同方法的對比，豐富的圖表，以及大量的課后習題和計算機練習。本書作為流行和經典的教材，主要面向電子工程、計算機科學、數學和統計學、媒體處理、模式識別、計算機視覺、人工智能和認知科學等領域的研究生和高年級本科生，也可作為相關領域科技人員的重要參考書。
模式分類(原書第2版·典藏版) 目錄
目錄
Pattern Classification, Second Edition
譯者序
前言
第1章緒論
1.1 機器感知
1.2 一個例子
1.3 模式識別系統
1.3.1 傳感器
1.3.2 分割和組織
1.3.3 特征提取
1.3.4 分類器
1.3.5 后處理
1.4 設計循環
1.4.1 數據采集
1.4.2 特征選擇
1.4.3 模型選擇
1.4.4 訓練
1.4.5 評價
1.4.6 計算復雜度
1.5 學習和適應
1.5.1 有監督學習
1.5.2 無監督學習
1.5.3 強化學習
本章小結
全書各章概要
文獻和歷史評述
參考文獻
第2章貝葉斯決策論
2.1 引言
2.2 貝葉斯決策論——連續特征
2.3 *小誤差率分類
2.3.1 極小化極大準則
2.3.2 NeymanPearson準則
2.4 分類器、判別函數及判定面
2.4.1 多類情況
2.4.2 兩類情況
2.5 正態密度
2.5.1 單變量密度函數
2.5.2 多元密度函數
2.6 正態分布的判別函數
2.6.1 情況1：
Σi=σ2I
2.6.2 情況2：
Σi=Σ
2.6.3 情況3：Σi＝任意
2.7 誤差概率和誤差積分
2.8 正態密度的誤差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信號檢測理論和操作特性
2.9 貝葉斯決策論——離散特征
2.9.1 獨立的二值特征
2.10 丟失特征和噪聲特征
2.10.1 丟失特征
2.10.2 噪聲特征
2.11 貝葉斯置信網
2.12 復合貝葉斯決策論及
上下文
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第3章*大似然估計和貝葉斯
參數估計
3.1 引言
3.2 *大似然估計
3.2.1 基本原理
3.2.2 高斯情況：μ未知
3.2.3 高斯情況：μ和Σ均未知
3.2.4 估計的偏差
3.3 貝葉斯估計
3.3.1 類條件密度
3.3.2 參數的分布
3.4 貝葉斯參數估計：高斯情況
3.4.1 單變量情況：p(μ｜
)
3.4.2 單變量情況：p(x｜)
3.4.3 多變量情況
3.5 貝葉斯參數估計：一般理論
3.5.1 *大似然方法和貝葉斯方法何時有
區別
3.5.2 無信息先驗和不變性
3.5.3 Gibbs算法
3.6 充分統計量
3.7 維數問題
3.7.1 精度、維數和訓練集的大小
3.7.2 計算復雜度
3.7.3 過擬合
3.8 成分分析和判別函數
3.8.1 主成分分析
3.8.2 Fisher線性判別分析
3.8.3 多重判別分析
3.9 期望*大化算法
3.10 隱馬爾可夫模型
3.10.1 一階馬爾可夫模型
3.10.2 一階隱馬爾可夫模型
3.10.3 隱馬爾可夫模型的計算
3.10.4 估值問題
3.10.5 解碼問題
3.10.6 學習問題
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第4章非參數技術
4.1 引言
4.2 概率密度的估計
4.3 Parzen窗方法
4.3.1 均值的收斂性
4.3.2 方差的收斂性
4.3.3 舉例說明
4.3.4 分類的例子
4.3.5 概率神經網絡
4.3.6 窗函數的選取
4.4 n近鄰估計
4.4.1 n近鄰估計和Parzen
窗估計
4.4.2 后驗概率的估計
4.5 *近鄰規則
4.5.1 *近鄰規則的收斂性
4.5.2 *近鄰規則的誤差率
4.5.3 誤差界
4.5.4近鄰規則
4.5.5近鄰規則的計算復雜度
4.6 距離度量和*近鄰分類
4.6.1 度量的性質
4.6.2 切空間距離
4.7 模糊分類
4.8 RCE網絡
4.9 級數展開逼近
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第5章線性判別函數
5.1 引言
5.2 線性判別函數和判定面
5.2.1 兩類情況
5.2.2 多類的情況
5.3 廣
Pattern Classification, Second Edition
譯者序
前言
第1章緒論
1.1 機器感知
1.2 一個例子
1.3 模式識別系統
1.3.1 傳感器
1.3.2 分割和組織
1.3.3 特征提取
1.3.4 分類器
1.3.5 后處理
1.4 設計循環
1.4.1 數據采集
1.4.2 特征選擇
1.4.3 模型選擇
1.4.4 訓練
1.4.5 評價
1.4.6 計算復雜度
1.5 學習和適應
1.5.1 有監督學習
1.5.2 無監督學習
1.5.3 強化學習
本章小結
全書各章概要
文獻和歷史評述
參考文獻
第2章貝葉斯決策論
2.1 引言
2.2 貝葉斯決策論——連續特征
2.3 *小誤差率分類
2.3.1 極小化極大準則
2.3.2 NeymanPearson準則
2.4 分類器、判別函數及判定面
2.4.1 多類情況
2.4.2 兩類情況
2.5 正態密度
2.5.1 單變量密度函數
2.5.2 多元密度函數
2.6 正態分布的判別函數
2.6.1 情況1：
Σi=σ2I
2.6.2 情況2：
Σi=Σ
2.6.3 情況3：Σi＝任意
2.7 誤差概率和誤差積分
2.8 正態密度的誤差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信號檢測理論和操作特性
2.9 貝葉斯決策論——離散特征
2.9.1 獨立的二值特征
2.10 丟失特征和噪聲特征
2.10.1 丟失特征
2.10.2 噪聲特征
2.11 貝葉斯置信網
2.12 復合貝葉斯決策論及
上下文
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第3章*大似然估計和貝葉斯
參數估計
3.1 引言
3.2 *大似然估計
3.2.1 基本原理
3.2.2 高斯情況：μ未知
3.2.3 高斯情況：μ和Σ均未知
3.2.4 估計的偏差
3.3 貝葉斯估計
3.3.1 類條件密度
3.3.2 參數的分布
3.4 貝葉斯參數估計：高斯情況
3.4.1 單變量情況：p(μ｜
)
3.4.2 單變量情況：p(x｜)
3.4.3 多變量情況
3.5 貝葉斯參數估計：一般理論
3.5.1 *大似然方法和貝葉斯方法何時有
區別
3.5.2 無信息先驗和不變性
3.5.3 Gibbs算法
3.6 充分統計量
3.7 維數問題
3.7.1 精度、維數和訓練集的大小
3.7.2 計算復雜度
3.7.3 過擬合
3.8 成分分析和判別函數
3.8.1 主成分分析
3.8.2 Fisher線性判別分析
3.8.3 多重判別分析
3.9 期望*大化算法
3.10 隱馬爾可夫模型
3.10.1 一階馬爾可夫模型
3.10.2 一階隱馬爾可夫模型
3.10.3 隱馬爾可夫模型的計算
3.10.4 估值問題
3.10.5 解碼問題
3.10.6 學習問題
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第4章非參數技術
4.1 引言
4.2 概率密度的估計
4.3 Parzen窗方法
4.3.1 均值的收斂性
4.3.2 方差的收斂性
4.3.3 舉例說明
4.3.4 分類的例子
4.3.5 概率神經網絡
4.3.6 窗函數的選取
4.4 n近鄰估計
4.4.1 n近鄰估計和Parzen
窗估計
4.4.2 后驗概率的估計
4.5 *近鄰規則
4.5.1 *近鄰規則的收斂性
4.5.2 *近鄰規則的誤差率
4.5.3 誤差界
4.5.4近鄰規則
4.5.5近鄰規則的計算復雜度
4.6 距離度量和*近鄰分類
4.6.1 度量的性質
4.6.2 切空間距離
4.7 模糊分類
4.8 RCE網絡
4.9 級數展開逼近
本章小結
文獻和歷史評述
習題
上機練習
參考文獻
第5章線性判別函數
5.1 引言
5.2 線性判別函數和判定面
5.2.1 兩類情況
5.2.2 多類的情況
5.3 廣
展開全部
模式分類(原書第2版·典藏版) 作者簡介
理查德·O. 杜達（Richard O.Duda） 圣何塞州立大學電氣工程系榮休教授，以其在聲音
定位和模式識別方面的工作而聞名。美國人工智能學會會士、IEEE 會士。擁有麻省理工學院博
士學位。
皮特·E. 哈特（Peter E. Hart） 加州理光發明（Ricoh Innovations）公司創始人、總裁，在此之前曾任理光加州研究中心高級副總裁。美國人工智能學會會士、IEEE 會士，曾獲 IEEE信息論協會 50 周年論文獎。
大衛·G. 斯托克（David G. Stork） 加州理光發明公司首席科學家，斯坦福大學電氣工程
與計算機科學系客座教授。國際模式識別學會會士、IEEE 會士。擁有馬里蘭大學博士學位。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
李白與唐代文化
- >
回憶愛瑪儂
- >
二體千字文
- >
姑媽的寶刀
- >
名家帶你讀魯迅:朝花夕拾
- >
月亮虎
- >
我從未如此眷戀人間
本類暢銷
