內容大鋼
本書是模式識別領域的入門教材，系統闡述了模式識別的基礎知識、主要模型及熱門應用，並給出了近年來本領域一些新的成果和觀點。本書可作為高等院校人工智慧、電腦、自動化、電子和通信等相關專業研究生或本科生的教材，也可供相關領域研究人員和工程技術人員參考。全書共15章，分為五部分：第一部分（第1?4章）介紹了模式識別的基礎知識；第二部分（第5?6章）介紹了與領域知識無關的特徵提取；第三部分（第7?10章）介紹了分類器與其他工具；第四部分（第11?12章）介紹了如何處理變化多端的數據；第五部分（第13?15章）介紹了一些高階課題，包括正態分佈、EM演算法和卷積神經網路。
本書可作為高等院校人工智慧、電腦、自動化、電子和通信等相關專業研究生或本科生的教材，也可供相關領域研究人員和工程技術人員參考。
作者介紹
吳建鑫|責編:姚蕾|譯者:羅建豪//張皓
吳建鑫，南京大學電腦科學與技術系教授、博士生導師，入選中組部青年海外高層次人才引進計劃(青年幹人計劃)，2014年獲得國家自然科學基金委優秀青年科學基金項目支持。同時，擔任Mineye首席科學家(minieye．CC)。主要從事電腦視覺和機器學習等領域的研究。在重要國際期刊如TPAMl、IJCV、AIJ、JMLR等以及重要國際會議如lCCV、CVPR、ICML等發表論文60余篇。曾擔任國際會議ICCV、AAAI、CVPR等領域主席。發表論文被60余個國家和地區的學者引用7000余次。
目錄
前言
符號表
第一部分 概述
第1章 緒論
1.1 樣例：自動駕駛
1.2 模式識別與機器學習
1.2.1 一個典型的模式識別流程
1.2.2 模式識別與機器學習
1.2.3 評估、部署和細化
1.3 本書的結構
習題
第2章 數學背景知識
2.1 線性代數
2.1.1 內積、范數、距離和正交性
2.1.2 角度與不等式
2.1.3 向量投影
2.1.4 矩陣基礎
2.1.5 矩陣乘法
2.1.6 方陣的行列式與逆
2.1.7 方陣的特徵值、特徵向量、秩和跡
2.1.8 奇異值分解
2.1.9 (半)正定實對稱矩陣
2.2 概率
2.2.1 基礎
2.2.2 聯合分佈、條件分佈與貝葉斯定理
2.2.3 期望與方差/協方差矩陣
2.2.4 不等式
2.2.5 獨立性與相關性
2.2.6 正態分佈
2.3 優化與矩陣微積分
2.3.1 局部極小、必要條件和矩陣微積分
2.3.2 凸優化與凹優化
2.3.3 約束優化和拉格朗日乘子法
2.4 演算法複雜度
2.5 閱讀材料
習題
第3章 模式識別系統概述
3.1 人臉識別
3.2 一個簡單的最近鄰分類器
3.2.1 訓練或學習
3.2.2 測試或預測
3.2.3 最近鄰分類器
3.2.4 k-近鄰
3.3 醜陋的細節
3.4 制定假設並化簡
3.4.1 設計工作環境與設計複雜演算法
3.4.2 假設與簡化
3.5 一種框架
3.6 閱讀材料
習題
第4章 評估
4.1 簡單情形中的準確率和錯誤率
4.1.1 訓練與測試誤差
4.1.2 過擬合與欠擬合
4.1.3 使用驗證集來選擇超參數
4.1.4 交叉驗證
4.2 最小化代價/損失
4.2.1 正則化
4.2.2 代價矩陣
4.2.3 貝葉斯決策理論
4.3 不平衡問題中的評估
4.3.1 單個類別內的比率
4.3.2 ROC曲線下的面積
4.3.3 查准率、查全率和F值
4.4 我們能達到100％的準確率嗎？
4.4.1 貝葉斯錯誤率
4.4.2 真實標記
4.4.3 偏置-方差分解
4.5 對評估結果的信心
4.5.1 為什麼要取平均？
4.5.2 為什麼要報告樣本標準差？
4.5.3 比較兩個分類器
4.6 閱讀材料
習題
第二部分 與領域知識無關的特徵提取
第5章 主成分分析
5.1 動機
5.1.1 維度與內在維度
5.1.2 降維
5.1.3 PCA與子空間方法
5.2 PCA降維到零維子空間
5.2.1 想法-形式化-優化實踐
5.2.2 一個簡單的優化
5.2.3 一些註釋
5.3 PCA降維到一維子空間
5.3.1 新的形式化
5.3.2 最優性條件與化簡
5.3.3 與特徵分解的聯繫
5.3.4 解
5.4 PCA投影到更多維度
5.5 完整的PCA演算法
5.6 方差的分析
5.6.1 從最大化方差出發的PCA
5.6.2 一種更簡單的推導
5.6.3 我們需要多少維度呢？
5.7 什麼時候使用或不用PCA呢？
5.7.1 高斯數據的PCA
5.7.2 非高斯數據的PCA
5.7.3 含異常點數據的PCA
5.8 白化變換
5.9 特徵分解與SVD
5.10 閱讀材料
習題
第6章 Fisher線性判別
6.1 用於二分類的FLD
6.1.1 想法：什麼是隔得很遠呢
6.1.2 翻譯成數學語言
6.1.3 散度矩陣與協方差矩陣
6.1.4 兩種散度矩陣以及FLD的目標函數
6.1.5 優化
6.1.6 等等,我們有一條捷徑
6.1.7 二分類問題的FLD
6.1.8 陷阱：要是S_W不可逆呢
6.2 用於多類的FLD
6.2.1 稍加修改的符號和S
6.2.2 S_B的候選
6.2.3 三個散度矩陣的故事
6.2.4 解
6.2.5 找到更多投影方向
6.3 閱讀材料
習題
第三部分 分類器與其他工具
第7章 支持向量機
7.1 SVM的關鍵思想
7.1.1 簡化它!簡化它!簡化它
7.1.2 查找最大(或較大)間隔的分類器
7.2 可視化並計算間隔
7.2.1 幾何的可視化
7.2.2 將間隔作為優化來計算
7.3 最大化間隔
7.3.1 形式化
7.3.2 各種簡化
7.4 優化與求解
7.4.1 拉格朗日函數與KKT條件
7.4.2 SVM的對偶形式
7.4.3 最優的b值與支持向量
7.4.4 同時考慮原始形式與對偶形式
7.5 向線性不可分問題
……
第四部分 處理變化多端的數據
第五部分 高階課題
參考文獻
英文索引
中文索引
[