模式分类 原书第2版PDF电子书下载

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

8.3CART 320

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