模式分类 原书第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

模式分类 原书第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1机器感知1

1.2一个例子1

1.3模式识别系统7

1.4设计循环11

1.5学习和适应12

1.6本章小结13

全书各章概要13

文献和历史评述14

参考文献15

第2章 贝叶斯决策论16

2.1引言16

2.2贝叶斯决策论——连续特征18

2.3最小误差率分类20

2.3.1极小化极大准则21

2.3.2Neyman-Pearson准则22

2.4分类器、判别函数及判定面23

2.5正态密度25

2.6正态分布的判别函数28

2.7误差概率和误差积分35

2.8正态密度的误差上界36

2.9贝叶斯决策论——离散特征40

2.10丢失特征和噪声特征43

2.11贝叶斯置信网44

2.12复合贝叶斯决策论及上下文49

本章小结50

文献和历史评述51

习题52

上机练习63

参考文献65

3.1引言67

第3章 最大似然估计和贝叶斯参数估计67

3.2最大似然估计68

3.3贝叶斯估计73

3.4贝叶斯参数估计：高斯情况74

3.5贝叶斯参数估计：一般理论78

3.6充分统计量83

3.7维数问题87

3.8成分分析和判别函数94

3.9期望最大化算法102

3.10隐马尔可夫模型105

本章小结114

文献和历史评述115

习题115

上机练习127

参考文献130

第4章 非参数技术132

4.1引言132

4.2概率密度的估计132

4.3Parzen窗方法134

4.4kn-近邻估计143

4.5最近邻规则146

4.6距离度量和最近邻分类153

4.7模糊分类157

4.8RCE网络160

4.9级数展开逼近161

本章小结163

文献和历史评述164

习题165

上机练习171

参考文献175

5.2线性判别函数和判定面177

5.1引言177

第5章 线性判别函数177

5.3广义线性判别函数180

5.4两类线性可分的情况183

5.5感知器准则函数最小化186

5.6松弛算法192

5.7不可分的情况195

5.8最小平方误差方法196

5.9Ho-Kashyap算法203

5.10线性规划算法209

5.11支持向量机211

5.12推广到多类问题216

本章小结220

文献和历史评述220

习题221

上机练习226

参考文献229

第6章 多层神经网络230

6.1引言230

6.2前馈运算和分类231

6.3反向传播算法235

6.4误差曲面241

6.5反向传播作为特征映射243

6.6反向传播、贝叶斯理论及概率246

6.7相关的统计技术247

6.8改进反向传播的一些实用技术248

6.9二阶技术257

6.10其他网络和训练算法262

6.11正则化、复杂度调节和剪枝267

本章小结269

文献和历史评述269

习题271

上机练习277

参考文献280

第7章 随机方法284

7.1引言284

7.2随机搜索284

7.3Boltzmann学习291

7.4Boltzmann网络和图示模型300

7.5进化方法302

7.6遗传规划306

文献和历史评述308

本章小结308

习题309

上机练习313

参考文献315

第8章 非度量方法318

8.1引言318

8.2判定树318

8.3CART320

8.4其他树方法331

8.5串的识别333

8.6文法方法339

8.7文法推断345

8.8基于规则的方法347

本章小结350

文献和历史评述350

习题351

上机练习358

参考文献362

第9章 独立于算法的机器学习365

9.1引言365

9.2没有天生优越的分类器366

9.3偏差和方差375

9.4统计量估计中的重采样技术380

9.5分类器设计中的重采样技术383

9.6分类器的评价和比较389

9.7组合分类器398

本章小结401

文献和历史评述402

习题403

上机练习408

参考文献412

10.2混合密度和可辨识性415

第10章 无监督学习和聚类415

10.1引言415

10.3最大似然估计418

10.4对混合正态密度的应用419

10.5无监督贝叶斯学习426

10.6数据描述和聚类432

10.7聚类的准则函数435

10.8迭代最优化440

10.9层次聚类442

10.10验证问题447

10.11在线聚类449

10.12图论方法455

10.13成分分析456

10.14低维数据表示和多维尺度变换460

本章小结466

文献和历史评述467

习题468

上机练习475

参考文献477

A.1符号和记号481

附录A数学基础481

A.2线性代数484

A.3拉格朗日乘数法489

A.4概率论490

A.5高斯函数的导数和积分500

A.6假设检验505

A.7信息论基础507

A.8计算复杂度509

文献评述510

参考文献510

索引512