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(第5版新興領域十四五高等教育教材)/新一代信息技術人工智慧系列叢書

  • 作者：編者:張學工//汪小我|責編:曾珊
  • 出版社：清華大學
  • ISBN：9787302705338
  • 出版日期：2026/02/01
  • 裝幀：平裝
  • 頁數：303
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是清華大學自動化系國家精品課程「模式識別基礎」和「模式識別與機器學習」的配套教材，是在第1?4版（分別于1988年、2000年、2010年和2021年由清華大學出版社出版發行）的基礎上重寫而成的。與第3版和第4版相比，第5版一方面針對教學和自學需求進行了進一步濃縮和提煉，另一方面增加了對於包括大語言模型在內的人工智慧與機器學習最新發展的基本原理的介紹，從而更好地保持了模式識別學科核心內容的系統性與人工智慧最新進展之間的平衡，使讀者能在有限學時內更好地掌握模式識別與機器學習學科的核心原理及發展脈絡。
    本書可以作為高等院校信息類、智能類、數據科學類專業的研究生和高年級本科生學習模式識別與機器學習的教材，也可以供各行業學習和應用機器學習與模式識別的研究者、學生和工程技術人員參考。
作者介紹
編者:張學工//汪小我|責編:曾珊
目錄
第1章  概論
  1.1  智能、識別、學習
  1.2  模式識別的基本任務和系統典型構成
  1.3  本書主要內容與推薦用法
第2章  統計決策方法
  2.1  引言：一個簡單的例子
  2.2  最小錯誤率貝葉斯決策
  2.3  最小風險貝葉斯決策
  2.4  兩類錯誤率、Neyman-Pearson決策與ROC曲線
  2.5  正態分佈時的統計決策
    2.5.1  正態分佈及其性質回顧
    2.5.2  正態分佈概率模型下的最小錯誤率貝葉斯決策
  2.6  錯誤率的計算
    2.6.1  正態分佈且各類協方差矩陣相等情況下錯誤率的計算
    2.6.2  高維獨立隨機變數時錯誤率的估計
  2.7  錯誤率的實驗估計
    2.7.1  訓練錯誤率
    2.7.2  測試錯誤率
    2.7.3  交叉驗證
    2.7.4  真實場景下需要考慮的更多問題
  2.8  離散時間序列樣本的統計決策
    2.8.1  基因組序列的例子
    2.8.2  馬爾可夫模型及在馬爾可夫模型下的貝葉斯決策
    2.8.3  隱馬爾可夫模型簡介
  2.9  貝葉斯網路簡介與樸素貝葉斯分類器
    2.9.1  貝葉斯網路的基本概念
    2.9.2  貝葉斯網路模型的學習
    2.9.3  樸素貝葉斯分類器
  2.10  討論
第3章  概率密度函數的估計
  3.1  引言
  3.2  最大似然估計
    3.2.1  最大似然估計的基本原理
    3.2.2  最大似然估計的求解
    3.2.3  正態分佈下的最大似然估計
  3.3  貝葉斯估計與貝葉斯學習
    3.3.1  貝葉斯估計
    3.3.2  貝葉斯學習
    3.3.3  正態分佈時的貝葉斯估計
    3.3.4  其他分佈的情況
  3.4  概率密度估計的非參數方法
    3.4.1  非參數估計的基本原理與直方圖方法
    3.4.2  k_N近鄰估計方法
    3.4.3  Parzen窗法
  3.5  討論
第4章  線性學習機器與線性分類器
  4.1  引言
  4.2  線性回歸
  4.3  線性判別函數的基本概念
  4.4  Fisher線性判別分析

  4.5  感知器
  4.6  最小平方誤差判別
  4.7  羅傑斯特回歸
  4.8  最優分類超平面與線性支持向量機
    4.8.1  最優分類超平面
    4.8.2  大間隔與推廣能力
    4.8.3  線性不可分情況
  4.9  多類線性分類器
    4.9.1  多個兩類分類器的組合
    4.9.2  多類線性判別函數
    4.9.3  多類羅傑斯特回歸與軟最大
  4.10  討論
第5章  典型的非線性分類器
  5.1  引言
  5.2  分段線性判別函數
    5.2.1  分段線性距離分類器
    5.2.2  一般的分段線性判別函數
  5.3  二次判別函數
  5.4  多層感知器神經網路
    5.4.1  神經元與感知器
    5.4.2  用多個感知器實現非線性分類
    5.4.3  反向傳播演算法
    5.4.4  多層感知器網路用於模式識別
    5.4.5  神經網路結構的選擇
    5.4.6  前饋神經網路與傳統模式識別方法的關係
    5.4.7  人工神經網路的一般知識
  5.5  支持向量機
    5.5.1  廣義線性判別函數
    5.5.2  核函數變換與支持向量機
    5.5.3  支持向量機早期應用舉例
    5.5.4  支持向量機的實現演算法
    5.5.5  多類支持向量機
    5.5.6  用於函數擬合的支持向量機——支持向量回歸
  5.6  核函數機器
    5.6.1  大間隔機器與核函數機器
    5.6.2  核Fisher判別
    5.6.3  中心支持向量機
  5.7  統計學習理論與正則化理論簡介
    5.7.1  統計學習理論簡介
    5.7.2  關於VC維與推廣性界的核心結論
    5.7.3  不適定問題和正則化方法簡介
  5.8  討論
第6章  非參數學習機器與集成學習
  6.1  引言
  6.2  近鄰法
    6.2.1  最近鄰法
    6.2.2  k-近鄰法
    6.2.3  近鄰法的快速演算法
    6.2.4  剪輯近鄰法
    6.2.5  壓縮近鄰法

  6.3  決策樹與隨機森林
    6.3.1  非數值特徵的量化
    6.3.2  決策樹
    6.3.3  過學習與決策樹的剪枝
    6.3.4  隨機森林
  6.4  Boosting集成學習
    6.4.1  集成學習的基本思想與AdaBoost方法
    6.4.2  XGBoost方法
  6.5  討論
第7章  特徵選擇
  7.1  引言
  7.2  用於分類的特徵評價準則
    7.2.1  基於類內類間距離的可分性判據
    7.2.2  基於概率分佈的可分性判據
    7.2.3  基於熵的可分性判據
    7.2.4  利用統計檢驗作為可分性判據
  7.3  特徵選擇的最優演算法
  7.4  特徵選擇的次優演算法
  7.5  遺傳演算法
  7.6  包裹法：以分類性能為準則的特徵選擇方法
  7.7  討論
第8章  特徵提取與降維表示
  8.1  引言
  8.2  基於類別可分性判據的特徵提取
  8.3  主成分分析
  8.4  Karhunen-Lo?ve變換
    8.4.1  K-L變換
    8.4.2  用於監督模式識別的K-L變換
  8.5  用「本征臉」作為人臉識別的特徵
  8.6  高維數據的低維可視化
  8.7  多維尺度（MDS）法
    8.7.1  MDS的概念
    8.7.2  古典尺度法
    8.7.3  度量型MDS
    8.7.4  非度量型MDS
    8.7.5  MDS在模式識別中的應用舉例
  8.8  非線性特徵變換方法簡介
    8.8.1  核主成分分析（KPCA）
    8.8.2  IsoMap方法和LLE方法
  8.9  t-SNE降維可視化方法
  8.10  特徵提取與選擇對分類器性能估計的影響
  8.11  討論
第9章  非監督學習與聚類
  9.1  引言
  9.2  基於模型的聚類方法
  9.3  混合模型的估計
    9.3.1  混合密度的最大似然估計
    9.3.2  混合正態分佈的參數估計
  9.4  動態聚類演算法
    9.4.1  C均值演算法（K均值演算法）

    9.4.2  ISODATA方法
    9.4.3  基於核的動態聚類演算法
  9.5  模糊聚類方法
    9.5.1  模糊集的基本知識
    9.5.2  模糊C均值演算法
    9.5.3  改進的模糊C均值演算法
  9.6  分級聚類方法
  9.7  自組織映射（SOM）神經網路
    9.7.1  SOM網路結構
    9.7.2  SOM學習演算法和自組織特性
    9.7.3  SOM網路用於模式識別
  9.8  一致聚類方法
  9.9  聚類結果的評價
    9.9.1  聚類質量的自身評價
    9.9.2  不同聚類結果的比較
  9.10  討論
第10章  深度學習與大模型簡介
  10.1  引言
  10.2  多層感知器神經網路回顧
  10.3  卷積神經網路（CNN）
    10.3.1  卷積神經網路的基本構成
    10.3.2  深度卷積神經網路
  10.4  Hopfield網路與玻爾茲曼機
    10.4.1  Hopfield網路
    10.4.2  玻爾茲曼機與限制性玻爾茲曼機（RBM）
  10.5  循環神經網路（RNN）與長短時記憶模型（LSTM）
    10.5.1  循環神經網路（RNN）
    10.5.2  長短時記憶模型（LSTM）
  10.6  自編碼器與生成模型
    10.6.1  深度自編碼器
    10.6.2  變分自編碼器（VAE）
    10.6.3  生成對抗網路（GAN）
    10.6.4  擴散模型簡介
  10.7  大語言模型簡介
    10.7.1  概率語言模型和詞向量表示
    10.7.2  注意力機制與Transformer
    10.7.3  大語言模型概述
  10.8  討論
第11章  結語：模式識別、機器學習與人工智慧
  11.1  模式識別
  11.2  機器學習
  11.3  多元分析
  11.4  人工智慧
  11.5  展望
參考文獻
術語表
後記

  • 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