機器學習與視覺感知（第2版）

定　價：￥49.00

作　者：	張寶昌，楊萬扣，林娜娜著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥41.70)

ISBN：	9787302561859	出版時間：	2020-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	123	字數(shù)：

內容簡介

　　《機器學習與視覺感知（第2版）》分為基礎篇和高級篇?；A篇介紹機器學習的主要原理和方法、以及最近幾年來的新進展，包括機器學習的發(fā)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。

作者簡介

　　張寶昌，北京航空航天大學自動化學院長聘副教授，特聘研究員。2001-2006年，中國科學院，中科院聯(lián)合實驗室（jdl）2007年優(yōu)秀論文提名獎。2006-2007，先后在香港中文大學、澳大利亞Griffith University從事研究工作，主要的研究方向為人臉識別、視頻理解、機器學習。2008.3-，北航自動化學院，主講“模式識別與機器學習”“現(xiàn)代控制導論”“機器學習理論與應用”“圖像處理系列實驗”等課程。自獲得博士學位（2007年）以來發(fā)表論文40余篇，其中SCI（SCI）檢索期刊12篇（其中1篇錄用待檢索），EI檢索16篇，在SCI網絡版他引次數(shù)155次。

圖書目錄

第1章機器學習的發(fā)展史
引言
1．1 機器學習
1．1．1 基本簡介
1．1．2 機器學習的定義和研究意義
1．1．3 機器學習的發(fā)展史
1．1．4 機器學習的主要策略
1．1．5 機器學習系統(tǒng)的基本結構
1．1．6 機器學習的分類
1．1．7 目前研究領域
1．2 統(tǒng)計模式識別問題
1．2．1 機器學習問題的表示
1．2．2 經驗風險最小化
1．2．3 復雜性與推廣能力
1．3 統(tǒng)計學習理論的核心內容
1．3．1 學習過程一致性的條件
1．3．2 推廣性的界
1．3．3 結構風險最小化
小結
第2章 PAC模型
引言
2．1 基本的PAC模型
2．1．1 PAC簡介
2．1．2 基本概念
2．1．3 問題框架
2．2 PAC模型樣本復雜度分析
2．2．1 有限空間樣本復雜度
2．2．2 無限空間樣本復雜度
小結
第3章決策樹學習
引言
3．1 決策樹學習概述
3．1．1 決策樹
3．1．2 性質
3．1．3 應用
3．1．4 學習
3．2 決策樹設計
3．2．1 決策樹的特點
3．2．2 決策樹的生成
小結
第4章貝葉斯學習
引言
4．1 貝葉斯學習
4．1．1 貝葉斯公式
4．1．2 最小誤差決策
4．1．3 正態(tài)密度
4．1．4 最大似然估計
4．2 樸素貝葉斯原理及應用
4．2．1 貝葉斯最佳假設原理
4．2．2 Naive Bayes分類
4．2．3 基于Naive Bayes的文本分類器
4．3 HMM（隱性馬氏模型）及應用
4．3．1 馬爾科夫性
4．3．2 馬爾科夫鏈
4．3．3 轉移概率矩陣
4．3．4 HMM（隱性馬爾科夫模型）及應用
小結
第5章支持向量機
引言
5．1 支持向量機
5．2 支持向量機的核函數(shù)選擇
5．3 支持向量機的實例
5．4 多類支持向量機
小結
……
第6章 AdaBoost
第7章壓縮感知
第8章子空間
第9章深度學習與神經網絡
第10章調制卷積神經網絡（MCN）
第11章強化學習
參考文獻