系统介绍模式识别的基本概念、理论体系、典型方法以及实际应用实例,强调基础性和实用性,同时兼顾学科发展的*新动向,包括了各种典型方法在R和Matlab环境下的现有程序和应用方法,并包括了对针对大数据应用的模式识别方法的讨论。

第1章概论 1.1模式与模式识别 1.2模式识别的主要方法 1.3监督模式识别与非监督模式识别 1.4模式识别系统举例 1.5模式识别系统的典型构成 1.6本书的主要内容 第2章统计决策方法 2.1引言: 一个简单的例子 2.2小错误率贝叶斯决策 2.3小风险贝叶斯决策 2.4两类错误率、NeymanPearson决策与ROC曲线 2.5正态分布时的统计决策 2.5.1正态分布及其性质回顾 2.5.2正态分布概率模型下的小错误率贝叶斯决策 2.6错误率的计算 2.6.1正态分布且各类协方差矩阵相等情况下错误率的计算 2.6.2高维独立随机变量时错误率的估计 2.7离散时间序列样本的统计决策 2.7.1基因组序列的例子 2.7.2马尔可夫模型及在马尔可夫模型下的贝叶斯决策 2.7.3隐马尔可夫模型简介 2.8小结与讨论 第3章概率密度函数的估计 3.1引言 3.2似然估计 3.2.1似然估计的基本原理 3.2.2似然估计的求解 3.2.3正态分布下的似然估计 3.3贝叶斯估计与贝叶斯学习 3.3.1贝叶斯估计 3.3.2贝叶斯学习 3.3.3正态分布时的贝叶斯估计 3.3.4其他分布的情况 3.4概率密度估计的非参数方法 3.4.1非参数估计的基本原理与直方图方法 3.4.2kN近邻估计方法 3.4.3Parzen窗法 第4章隐马尔可夫模型与贝叶斯网络 4.1引言 4.2贝叶斯网络的基本概念 4.3隐马尔可夫模型(HMM) 4.3.1HMM评估问题 4.3.2HMM隐状态推断问题(解码问题) 4.3.3HMM学习问题 4.4朴素贝叶斯分类器(Nave Bayes) 4.5在贝叶斯网络上的条件独立性 4.6贝叶斯网络模型的学习 4.6.1贝叶斯网络的参数学习 4.6.2贝叶斯网络的结构学习 4.7讨论 第5章线性学习机器与线性分类器 5.1引言 5.2线性回归 5.3线性判别函数的基本概念 5.4Fisher线性判别分析 5.5感知器 5.6小平方误差判别 5.7罗杰斯特回归 5.8分类超平面与线性支持向量机 5.8.1分类超平面 5.8.2大间隔与推广能力 5.8.3线性不可分情况 5.9多类线性分类器 5.9.1多个两类分类器的组合 5.9.2多类线性判别函数 5.9.3多类罗杰斯特回归与软 5.10讨论 第6章典型的非线性分类器 6.1引言 6.2分段线性判别函数 6.2.1分段线性距离分类器 6.2.2一般的分段线性判别函数 6.3二次判别函数 6.4多层感知器神经网络 6.4.1神经元与感知器 6.4.2用多个感知器实现非线性分类 6.4.3反向传播算法 6.4.4多层感知器网络用于模式识别 6.4.5神经网络结构的选择 6.4.6前馈神经网络与传统模式识别方法的关系 6.4.7人工神经网络的一般知识 6.5支持向量机 6.5.1广义线性判别函数 6.5.2核函数变换与支持向量机 6.5.3支持向量机早期应用举例 6.5.4支持向量机的实现算法 6.5.5多类支持向量机 6.5.6用于函数拟合的支持向量机——支持向量回归 6.6核函数机器 6.6.1大间隔机器与核函数机器 6.6.2核Fisher判别 6.6.3**支持向量机 6.7讨论 第7章统计学习理论概要 7.1引言 7.2机器学习问题的提法 7.2.1机器学习问题的函数估计表示 7.2.2经验风险小化原则及其存在的问题 7.3学习过程的一致性 7.4函数集的容量与VC维 7.5推广能力的界与结构风险小化原则 7.6支持向量机的理论分析 7.7不适定问题和正则化方法简介 7.7.1不适定问题 7.7.2正则化方法 7.7.3常见的正则化方法 7.8讨论 第8章非参数学习机器与集成学习 8.1引言 8.2近邻法 8.2.1近邻法 8.2.2k近邻法 8.2.3近邻法的快速算法 8.2.4剪辑近邻法 8.2.5压缩近邻法 8.3决策树与随机森林 8.3.1非数值特征的量化 8.3.2决策树 8.3.3过学习与决策树的剪枝 8.3.4随机森林 8.4Boosting集成学习 8.5讨论 第9章特征选择 9.1引言 9.2用于分类的特征评价准则 9.2.1基于类内类间距离的可分性判据 9.2.2基于概率分布的可分性判据 9.2.3基于熵的可分性判据 9.2.4利用统计检验作为可分性判据 9.3特征选择的算法 9.4特征选择的次优算法 9.5遗传算法 9.6包裹法: 以分类性能为准则的特征选择方法 9.7讨论 第10章特征提取与降维表示 10.1引言 10.2基于类别可分性判据的特征提取 10.3主成分分析 10.4KarhunenLoève变换 10.4.1KL变换 10.4.2用于监督模式识别的KL变换 10.5用“本征脸”作为人脸识别的特征 10.6高维数据的低维可视化 10.7多维尺度(MDS)法 10.7.1MDS的基本概念 10.7.2古典尺度法 10.7.3度量型MDS 10.7.4非度量型MDS 10.7.5MDS在模式识别中的应用举例 10.8非线性特征变换方法简介 10.8.1核主成分分析(KPCA) 10.8.2IsoMap方法和LLE方法 10.9tSNE降维可视化方法 10.10讨论 第11章非监督学习与聚类 11.1引言 11.2基于模型的聚类方法 11.3混合模型的估计 11.3.1混合密度的似然估计 11.3.2混合正态分布的参数估计 11.4动态聚类算法 11.4.1C均值算法(K均值算法) 11.4.2ISODATA方法 11.4.3基于核的动态聚类算法 11.5模糊聚类方法 11.5.1模糊集的基本知识 11.5.2模糊C均值算法 11.5.3改进的模糊C均值算法 11.6分级聚类方法 11.7自组织映射(SOM)神经网络 11.7.1SOM网络结构 11.7.2SOM学习算法和自组织特性 11.7.3SOM网络用于模式识别 11.8一致聚类方法 11.9讨论 第12章深度学习 12.1引言 12.2人工神经网络回顾 12.3卷积神经网络(CNN) 12.3.1卷积层 12.3.2汇集(池化) 12.3.3深层卷积神经网络 12.3.4卷积神经网络的演化和几个代表性模型 12.3.5卷积神经网络在非图像数据上的应用举例 12.4循环神经网络(RNN) 12.4.1Hopfield神经网络 12.4.2循环神经网络 12.5长短时记忆模型(LSTM) 12.6自编码器、限制性玻尔兹曼机与深度信念网络 12.6.1自编码器 12.6.2用多层自编码器构造深度神经网络 12.6.3限制性玻尔兹曼机(RBM) 12.6.4深度自编码器与深度信念网络(DBN) 12.7生成模型 12.7.1变分自编码器(VAE) 12.7.2生成对抗网络(GAN) 12.8综合应用举例 12.8.1中文病历文本生成 12.8.2人工基因调控元件的生成 12.9深度学习算法中的部分常用技巧 12.10讨论 第13章模式识别系统的评价 13.1引言 13.2监督模式识别的错误率估计 13.2.1训练错误率 13.2.2测试错误率 13.2.3交叉验证 13.2.4自举法与0.632估计 13.3有限样本下错误率的区间估计 13.3.1问题的提出 13.3.2用扰动重采样估计SVM错误率的置信区间 13.4特征提取与选择对分类器性能估计的影响 13.5用分类性能进行关系推断 13.6非监督模式识别系统性能的评价 13.6.1聚类质量的评价 13.6.2聚类结果的比较 13.7讨论 第14章常用模式识别与机器学习软件平台 14.1引言 14.2Python中的模式识别工具包 14.2.1sklearn中的回归方法使用举例 14.2.2sklearn中的分类方法使用举例 14.2.3Python下的深度学习编程举例 14.2.4国内研发的深度学习平台简介 14.3MATLAB中的模式识别工具包 14.3.1MATLAB中的回归方法使用举例 14.3.2MATLAB中的分类方法使用举例 14.4R中的模式识别工具包 14.4.1R中的回归方法使用举例 14.4.2R中的分类方法使用举例 14.5讨论 第15章讨论: 模式识别、机器学习与人工智能 15.1模式识别 15.2机器学习 15.3多元分析 15.4人工智能 15.5展望 参考文献 后记 索引