幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

模式識別及Python實現(高等學校智能科學與技術人工智慧專業教材)

  • 作者：編者:曾慧//李擎//張利欣|責編:張玥
  • 出版社：清華大學
  • ISBN：9787302689911
  • 出版日期：2025/04/01
  • 裝幀：平裝
  • 頁數：213
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    模式識別是人工智慧領域的重要分支之一。本書是該領域入門教材，內容盡可能涵蓋模式識別基礎知識的各方面。全書共分9章，第1章介紹模式識別的基本概念、模式識別系統的組成；第2章介紹模式識別中的線性分類器；第3章介紹模式識別中的貝葉斯分類器；第4章介紹模式識別中的概率密度函數估計；第5章介紹模式識別中的其他典型分類方法；第6章介紹模式識別中的特徵提取與選擇；第7章介紹模式識別中常見的聚類分析方法；第8章介紹深度學習中的卷積神經網路和循環神經網路；第9章介紹模式識別的一些典型應用以及當前流行的大模型技術和生成式技術。除第1章和第9章外，每章均附有Python實現的相關演算法，且提供相關習題，以便讀者鞏固所學知識。
    本書可以作為高等院校相關專業本科生和研究生的教材，也可以作為教輔資料，還可以作為模式識別領域科研人員和技術愛好者的參考資料。
作者介紹
編者:曾慧//李擎//張利欣|責編:張玥
目錄
第1章  模式識別概述
  1.1  基本概念
  1.2  系統組成
    1.2.1  數據獲取
    1.2.2  預處理
    1.2.3  特徵提取與選擇
    1.2.4  分類識別
  1.3  基本方法
    1.3.1  根據表示方式分類
    1.3.2  根據學習方法分類
  1.4  應用場景
    1.4.1  圖像識別與檢索
    1.4.2  生物特徵識別
    1.4.3  文字識別
    1.4.4  語音識別
  1.5  本書的主要內容
第2章  線性分類器
  2.1  基本概念
  2.2  Fisher線性判別分析
  2.3  感知器演算法
    2.3.1  規範化增廣樣本向量和解區
    2.3.2  感知器準則函數
  2.4  廣義線性判別函數
  2.5  多類線性分類器
    2.5.1  兩分法
    2.5.2  多類線性分類器
  2.6  Python實現
    2.6.1  Fisher線性分類器
    2.6.2  感知器
  習題
第3章  貝葉斯分類器
  3.1  基本概念
    3.1.1  先驗概率
    3.1.2  類條件概率密度
    3.1.3  后驗概率
    3.1.4  貝葉斯公式
  3.2  貝葉斯決策
    3.2.1  最小錯誤率貝葉斯決策
    3.2.2  最小風險貝葉斯決策
  3.3  基於正態分佈的最小錯誤率貝葉斯分類器
  3.4  樸素貝葉斯分類器
  3.5  Python實現
    3.5.1  最小錯誤率貝葉斯決策和最小風險貝葉斯決策
    3.5.2  基於正態分佈的最小錯誤率貝葉斯決策
    3.5.3  樸素貝葉斯分類器
  習題
第4章  概率密度函數估計
  4.1  基本概念
  4.2  最大似然估計方法
  4.3  貝葉斯估計與貝葉斯學習

    4.3.1  貝葉斯估計
    4.3.2  貝葉斯學習
  4.4  非參數估計的基本原理
  4.5  Parzen窗口估計法
  4.6  kN近鄰估計法
  4.7  Python實現
    4.7.1  Parzen窗口估計法
    4.7.2  kN近鄰估計法
  習題
第5章  其他典型分類方法
  5.1  近鄰法
    5.1.1  最近鄰法
    5.1.2  k-近鄰法
    5.1.3  改進的近鄰法
  5.2  支持向量機
    5.2.1  線性可分的情況
    5.2.2  線性不可分情況
  5.3  決策樹
    5.3.1  基本概念
    5.3.2  信息增益
    5.3.3  信息增益率
    5.3.4  基尼指數
    5.3.5  剪枝處理
    5.3.6  連續值處理
    5.3.7  缺失值處理
  5.4  隨機森林
    5.4.1  基本概念
    5.4.2  袋外錯誤率
  5.5  Boosting方法
  5.6  Python實現
    5.6.1  線性支持向量機
    5.6.2  決策樹度量指標計算
  習題
第6章  特徵提取與選擇
  6.1  基本概念
  6.2  類別可分性判斷依據
    6.2.1  類別可分性準則
    6.2.2  基於距離的類別可分性判據
    6.2.3  基於概率密度函數的類別可分性判據
    6.2.4  基於熵的類別可分性判據
  6.3  主成分分析法
  6.4  多維尺度分析
    6.4.1  多維尺度法的概念
    6.4.2  古典解的求法
  6.5  特徵選擇方法
    6.5.1  最優搜索演算法
    6.5.2  次優搜索演算法
  6.6  Python實現
    6.6.1  主成分分析法
    6.6.2  多維尺度分析

  習題
第7章  聚類分析
  7.1  基於模型的方法
  7.2  動態聚類方法
    7.2.1  C均值演算法
    7.2.2  ISODATA演算法
  7.3  基於密度的聚類演算法
    7.3.1  DBSCAN演算法
    7.3.2  增量DBSCAN聚類演算法
    7.3.3  DBSCAN演算法的改進演算法
  7.4  分級聚類方法
  7.5  Python實現
    7.5.1  C均值演算法
    7.5.2  ISODATA演算法
    7.5.3  DBSCAN演算法
    7.5.4  分級聚類演算法
  習題
第8章  深度神經網路
  8.1  卷積神經網路
    8.1.1  基本原理
    8.1.2  輸入層
    8.1.3  卷積層
    8.1.4  池化層
    8.1.5  典型網路結構
  8.2  循環神經網路
    8.2.1  基本原理
    8.2.2  典型網路結構
  8.3  注意力機制
    8.3.1  認知神經學中的注意力
    8.3.2  網路中的注意力機制
    8.3.3  自注意力
  8.4  Python實現
    8.4.1  LeNet5網路實現手寫數字識別
    8.4.2  循環神經網路實現手寫數字識別
    8.4.3  GRU的Python實現
  習題
第9章  模式識別在圖像分析中的應用與發展
  9.1  圖像分類
  9.2  微觀組織圖像分割系統
  9.3  人耳識別系統設計及實現
  9.4  大模型網路及其應用
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032