视觉机器学习20讲PDF电子书下载

绪论 1

第1讲 K-means 11

1.1 基本原理 11

1.2 算法改进 13

1.3 仿真实验 16

1.4 算法特点 18

第2讲 KNN学习 20

2.1 基本原理 20

2.2 算法改进 23

2.3 仿真实验 24

2.4 算法特点 26

第3讲 回归学习 28

3.1 基本原理 28

3.1.1 参数回归 29

3.1.2 非参数回归 30

3.1.3 半参数回归 30

3.2 算法改进 30

3.2.1 线性回归模型 30

3.2.2 多项式回归模型 31

3.2.3 主成分回归模型 32

3.2.4 自回归模型 33

3.2.5 核回归模型 33

3.3 仿真实验 37

3.3.1 回归学习流程 37

3.3.2 基于回归学习的直线边缘提取 37

3.3.3 基于回归学习的图像插值 39

3.4 算法特点 41

第4讲 决策树学习 42

4.1 基本原理 42

4.1.1 分类与聚类 42

4.1.2 决策树 43

4.1.3 信息增益的度量标准 43

4.1.4 信息增益度量期望的熵降低 44

4.1.5 悲观错误剪枝PEP 46

4.1.6 基本决策树算法 47

4.2 算法改进 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 仿真实验 50

4.3.1 用于学习布尔函数的ID3算法伪代码 50

4.3.2 C4.5算法构造决策树的伪代码 51

4.4 算法特点 53

第5讲 Random Forest学习 54

5.1 基本原理 54

5.1.1 决策树 55

5.1.2 Bagging集成学习 55

5.1.3 Random Forest方法 56

5.2 算法改进 57

5.3 仿真实验 58

5.3.1 Random Forest分类与回归流程 58

5.3.2 Forest-RI和Forest-RC 59

5.3.3 基于Random Forest的头部姿态估计 59

5.4 算法特点 60

第6讲 贝叶斯学习 62

6.1 基本原理 62

6.2 算法改进 63

6.2.1 朴素贝叶斯模型 63

6.2.2 层级贝叶斯模型 65

6.2.3 增广贝叶斯学习模型 66

6.2.4 基于Boosting技术的朴素贝叶斯模型 66

6.2.5 贝叶斯神经网络模型 66

6.3 仿真实验 66

6.3.1 Learn＿Bayse（X，V） 67

6.3.2 Classify＿Bayse（X） 67

6.4 算法特点 68

第7讲 EM算法 70

7.1 基本原理 70

7.2 算法改进 71

7.2.1 EM算法的快速计算 71

7.2.2 未知分布函数Pi（y i）的选取 74

7.2.3 EM算法收敛性的改进 75

7.3 仿真实验 77

7.3.1 EM算法流程 77

7.3.2 EM算法的伪代码 77

7.3.3 EM算法应用——高斯混合模型 77

7.4 算法特点 79

第8讲 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 算法改进 83

8.2.1 权值更新方法的改进 83

8.2.2 Adaboost并行算法 83

8.3 仿真实验 83

8.3.1 Adaboost算法实现流程 83

8.3.2 Adaboost算法示例 84

8.4 算法特点 86

8.4.1 Adaboost算法的优点 86

8.4.2 Adaboost算法的缺点 87

第9讲 SVM方法 88

9.1 基本原理 88

9.2 算法改进 90

9.3 仿真实验 94

9.4 算法特点 100

第10讲 增强学习 102

10.1 基本原理 102

10.2 算法改进 105

10.2.1 部分感知模型 105

10.2.2 增强学习中的函数估计 105

10.2.3 分层增强学习 106

10.2.4 多Agent增强学习 107

10.3 仿真实验 107

10.4 算法特点 109

第11讲 流形学习 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 算法改进 115

11.2.1 LPP 116

11.2.2 MFA 117

11.3 算法仿真 119

11.4 算法特点 123

第12讲 RBF学习 126

12.1 基本原理 126

12.1.1 基于RBF函数的内插方法 126

12.1.2 RBF神经网络 129

12.1.3 数据中心的计算方法 130

12.2 算法改进 132

12.2.1 针对完全内插问题的改进方法 132

12.2.2 针对不适定问题的改进方法 133

12.2.3 广义RBF神经网络 134

12.3 仿真实验 134

12.3.1 基于高斯函数的RBF学习 134

12.3.2 RBF学习算法流程 135

12.4 算法特点 136

第13讲 稀疏表示 138

13.1 基本原理 138

13.1.1 信号稀疏表示 138

13.1.2 贪婪求解算法 140

13.1.3 凸优化求解算法 141

13.2 算法改进 142

13.2.1 组合Lasso （Group Lasso） 142

13.2.2 混合Lasso （Fused Lasso） 143

13.2.3 弹性网络（Elastic net） 143

13.3 仿真实验 143

13.3.1 OMP算法 143

13.3.2 APG算法 144

13.3.3 基于稀疏表示的人脸识别 145

13.4 算法特点 147

13.4.1 算法优点 147

13.4.2 算法缺点 147

第14讲 字典学习 149

14.1 基本原理 149

14.2 算法改进 151

14.2.1 最优方向法（MOD） 151

14.2.2 K-SVD法 151

14.2.3 在线字典学习法 151

14.3 仿真实验 152

14.3 基于字典学习的视频图像降噪方法 153

14.4 算法特点 154

14.4.1 算法优点 154

14.4.2 算法缺点 155

第15讲 BP学习 156

15.1 基本原理 156

15.1.1 人工神经网络 156

15.1.2 BP学习原理 157

15.2 算法改进 162

15.2.1 改进学习速率 163

15.2.2 改进训练样本 164

15.2.3 改进损失函数 164

15.2.4 改进连接方式 165

15.3 仿真实验 165

15.4 算法特点 167

第16讲 CNN学习 170

16.1 基本原理 170

16.1.1 神经认知机模型 170

16.1.2 CNN算法思想 171

16.1.3 CNN网络结构 171

16.1.4 CNN网络学习 174

16.2 算法改进 178

16.2.1 设计新的卷积神经网络训练策略 178

16.2.2 使用GPU加速卷积运算过程 178

16.2.3 使用并行计算提高网络训练和测试速度 179

16.2.4 采用分布式计算提高网络训练和测试速度 179

16.2.5 硬件化卷积神经网络 179

16.3 仿真实验 179

16.3.1 卷积神经网络训练算法仿真 179

16.3.2 卷积神经网络实际应用实例 181

16.4 算法特点 183

16.4.1 算法优点 183

16.4.2 算法缺点 183

第17讲 RBM学习 185

17.1 基本原理 185

17.1.1 RBM学习思想 185

17.1.2 RBM模型基础 186

17.1.3 RBM模型学习 189

17.2 算法改进 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 稀疏组RBM 197

17.2.5 分类R BM 197

17.3 仿真实验 198

17.4 算法特点 199

17.4.1 算法优点 199

17.4.2 算法缺点 200

第18讲 深度学习 203

18.1 基本原理 203

18.2 算法改进 212

18.3 仿真实验 214

18.4 算法特点 215

第19讲 遗传算法 218

19.1 算法原理 218

19.2 算法改进 220

19.2.1 适应度函数设计 220

19.2.2 初始群体的选取 221

19.3 算法仿真 221

19.3.1 图像预处理 222

19.3.2 车牌特征选取 222

19.3.3 基于遗传算法的车牌定位 223

19.4 算法特点 225

19.4.1 遗传算法的优点 226

19.4.2 遗传算法的不足 226

第20讲 蚁群方法 228

20.1 基本原理 228

20.1.1 群智能 228

20.1.2 蚂蚁寻找食物源方法 229

20.1.3 蚁群算法的规则 230

20.1.4 蚁群算法的实现 231

20.2 算法改进 232

20.2.1 基于遗传学的改进蚁群算法 232

20.2.2 蚁群系统 232

20.2.3 精英蚁群系统 233

20.2.4 最大最小蚁群系统 233

20.2.5 排序蚁群系统 234

20.2.6 最优-最差蚂蚁系统 235

20.3 仿真实验 235

20.3.1 蚁群算法实例 235

20.3.2 蚁群算法实现流程 236

20.3.3 蚁群算法伪代码 237

20.4 算法特点 238