機器學習與視覺感知(第2版)

張寶昌、楊萬扣、林娜娜

  • 出版商: 清華大學
  • 出版日期: 2020-09-01
  • 定價: $294
  • 售價: 7.0$206
  • 語言: 簡體中文
  • ISBN: 7302561850
  • ISBN-13: 9787302561859
  • 相關分類: Machine Learning
  • 立即出貨

  • 機器學習與視覺感知(第2版)-preview-1
  • 機器學習與視覺感知(第2版)-preview-2
  • 機器學習與視覺感知(第2版)-preview-3
機器學習與視覺感知(第2版)-preview-1

買這商品的人也買了...

相關主題

商品描述

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、深度學習與神經網絡、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等方法原理闡述與應用。

目錄大綱

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復雜性與推廣能力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模型樣本復雜度分析20

2.2.1有限空間樣本復雜度20

2.2.2無限空間樣本復雜度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應用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樸素貝葉斯原理及應用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的文本分類器38

4.3HMM(隱性馬氏模型)及應用41

4.3.1馬爾科夫性41

4.3.2馬爾科夫鏈41

4.3.3轉移概率矩陣41

4.3.4HMM(隱性馬爾科夫模型)及應用42

小結44第5章支持向量機45

引言45

5.1支持向量機45

5.2支持向量機的核函數選擇50

5.3支持向量機的實例51

5.4多類支持向量機54

小結54第6章AdaBoost55

引言55

6.1AdaBoost與目標檢測55

6.1.1AdaBoost算法55

6.1.2初始化57

6.2具有強魯棒性的實時目標檢測59

6.2.1矩形特徵選取59

6.2.2積分圖60

6.2.3訓練結果61

6.2.4級聯62

6.3運用統計學的目標檢測63

6.4隨機森林64

6.4.1原理闡述64

6.4.2算法詳解64

6.4.3算法分析64

小結65第7章壓縮感知66

引言66

7.1壓縮感知理論框架66

7.2壓縮感知的基本理論及核心問題67

7.2.1壓縮感知的數學模型67

7.2.2信號的稀疏表示67

7.2.3信號的觀測矩陣68

7.2.4信號的重構算法69

7.3壓縮感知的應用與模擬69

7.3.1應用69

7.3.2人臉識別70

小結72第8章子空間73

引言73

8.1基於主成分分析的特徵提取73

8.2數學模型75

8.3主成分的數學上的計算76

8.3.1兩個線性代數的結論76

8.3.2基於協方差矩陣的特徵值分解76

8.3.3主成分分析的步驟77

8.4主成分分析的性質78

8.5基於主成分分析的人臉識別方法79

小結80第9章深度學習與神經網絡81

引言81

9.1神經網絡及其主要算法81

9.1.1前饋神經網絡81

9.1.2感知器81

9.1.3三層前饋網絡83

9.1.4反向傳播算法84

9.2深度學習86

9.2.1深度學習概述86

9.2.2自編碼算法AutoEncoder87

9.2.3自組織編碼深度網絡88

9.2.4捲積神經網絡模型89

小結92第10章調制捲積神經網絡(MCN)93

10.1概述93

10.2損失函數95

10.3前向捲積96

10.4捲積神經網絡模型的梯度反傳98

10.5MCN網絡的實驗驗證100

10.5.1實驗數據集100

10.5.2實驗與實現細節103第11章強化學習112

引言112

11.1強化學習概述112

11.2強化學習過程113

11.2.1馬爾科夫性113

11.2.2獎勵113

11.2.3估價函數114

11.2.4動態規劃114

11.2.5蒙特卡洛方法115

11.2.6時序差分學習115

11.2.7QLearning117

11.2.8QLearning算法的改進118

11.3程序實現120

參考文獻124