- 模式识别与机器学习(高等院校信息类新专业规划教材)/人工智能专业教材丛书
- - 作者：编者:徐蔚然|责编:王晓丹//廖国军
  - 出版社：北京邮电大学
  - ISBN：9787563575398
  - 出版日期：2025/06/01
  - 页数：197
- 售价：19.6

内容大纲
本书是专为人工智能及相关专业高年级学生编写的“模式识别与机器学习”基础课程教材。本书遵循技术发展的自然脉络，结合模式识别问题介绍机器学习的理论与方法，可帮助学生快速入门；基于统计学习理论构建机器学习的内容体系，可助于学生深刻领悟并牢牢掌握基本理论和方法；顺应深度学习、大模型等前沿技术发展趋势，调整了机器学习的内容结构，强调非监督学习在聚类和表示学习中的重要性，可激发学生探索深度学习和大模型的兴趣。
本书可以作为智能科学、计算机科学与技术、自动化等专业的高年级本科生和研究生的教材，同时也可以作为对人工智能领域感兴趣的研究者、工程技术人员及自学者的参考用书。
作者介绍
目录
第1章  绪论
  1.1  模式识别与机器学习
    1.1.1  模式识别
    1.1.2  机器学习
    1.1.3  机器学习任务的类型
  1.2  机器学习的推理方式
    1.2.1  机器学习的一般形式
    1.2.2  不确定性
    1.2.3  建立在统计学基础上的归纳推理
  1.3  机器学习方法三要素：模型形式
    1.3.1  机器学习的数学形式
    1.3.2  模型的种类
    1.3.3  特征表示与表示学习
  1.4  机器学习方法三要素：准则函数
    1.4.1  损失函数与期望风险
    1.4.2  经验风险与泛化能力
    1.4.3  影响泛化能力的主要因素
    1.4.4  改善模型泛化能力的准则函数
  1.5  机器学习方法三要素：求解算法
    1.5.1  优化问题与求解算法
    1.5.2  常见的求解算法
  1.6  本书的组织结构
  思考题
第2章  统计决策理论
  2.1  介绍
  2.2  模式识别中的概率论
    2.2.1  概率形式的分类知识
    2.2.2  贝叶斯推断的基本方法
    2.2.3  生成模型与判别模型
  2.3  模式识别中的统计决策理论
    2.3.1  决策空间与决策准则
    2.3.2  最小错误率准则
    2.3.3  错误率分析
    2.3.4  常用评价指标
    2.3.5  最小风险准则
  2.4  常见概率分布
    2.4.1  二元变量
    2.4.2  多元变量
    2.4.3  正态分布
    2.4.4  多元正态分布的性质
    2.4.5  正态分布下的最小错误率准则
  2.5  本章小结
  思考题
第3章  概率密度函数估计
  3.1  介绍
  3.2  最大似然估计
    3.2.1  最大似然估计的基本原理
    3.2.2  正态分布下的最大似然估计
    3.2.3  最大似然估计的过拟合问题
  3.3  贝叶斯估计

    3.3.1  最大后验估计
    3.3.2  最小风险贝叶斯估计
    3.3.3  预测分布
  3.4  概率密度函数的非参数估计方法
    3.4.1  直方图方法与非参数估计的基本原理
    3.4.2  核函数估计
    3.4.3  近邻估计
  3.5  常见的生成模型
    3.5.1  朴素贝叶斯分类器
    3.5.2  隐马尔可夫模型
    3.5.3  贝叶斯网络
  3.6  本章小结
  思考题
第4章  线性模型
  4.1  介绍
  4.2  线性回归模型
    4.2.1  线性基函数模型
    4.2.2  准则函数：平方误差与最大似然
    4.2.3  准则函数：正则化与最大后验
  4.3  线性判别函数
    4.3.1  线性判别函数的一般形式
    4.3.2  线性判别分析
    4.3.3  感知器
  4.4  逻辑回归模型
    4.4.1  生成模型的决策函数
    4.4.2  概率判别模型
    4.4.3  广义线性模型
  4.5  本章小结
  思考题
第5章  神经网络
  5.1  介绍
  5.2  神经元与网络结构
    5.2.1  神经元
    5.2.2  网络结构
  5.3  前馈神经网络
    5.3.1  前馈型神经网络的模型形式
    5.3.2  神经网络模型的基本原理
  5.4  误差反向传播算法
    5.4.1  前馈网络的学习任务与准则函数
    5.4.2  前馈网络学习的主要步骤
    5.4.3  计算梯度的误差反向传播算法
  5.5  神经网络的正则化方法
    5.5.1  神经网络的过拟合和欠拟合
    5.5.2  神经网络的直接正则化
    5.5.3  其他正则化方法
  5.6  本章小结
  思考题
第6章  非参数模型
  6.1  介绍
  6.2  近邻法模型

    6.2.1  最近邻模型
    6.2.2  K近邻模型
    6.2.3  压缩近邻法
  6.3  核模型
    6.3.1  对偶表示
    6.3.2  核函数模型
  6.4  支持向量机
    6.4.1  统计学习理论中的容量控制原理
    6.4.2  硬间隔最大化支持向量机
    6.4.3  软间隔最大化支持向量机
    6.4.4  支持向量机与其他线性模型的对比分析
  6.5  本章小结
  思考题
第7章  非监督学习与聚类
  7.1  介绍
  7.2  聚类问题
    7.2.1  聚类的研究问题
    7.2.2  类别与概念
  7.3  K均值聚类
    7.3.1  K均值聚类的模型与准则函数
    7.3.2  求解算法
  7.4  高斯混合模型
    7.4.1  高斯混合模型与参数
    7.4.2  准则函数
    7.4.3  求解算法
  7.5  期望最大化算法
    7.5.1  具有隐藏变量的优化问题
    7.5.2  EM算法的思路与步骤
  7.6  本章小结
  思考题
第8章  特征空间的降维与优化
  8.1  介绍
    8.1.1  测量空间与特征空间
    8.1.2  传统的特征构建与特征优化方法
    8.1.3  表示学习
  8.2  主成分分析
    8.2.1  主成分分析的基本思想
    8.2.2  主成分分析的核心方法
    8.2.3  实际应用中的主成分分析
    8.2.4  Karhunen-Loève变换
  8.3  潜在语义分析
    8.3.1  潜在语义分析的基本思想
    8.3.2  矩阵的奇异值分解
    8.3.3  基于奇异值分解的潜在语义分析模型
    8.3.4  基于非负矩阵分解的话题模型
  8.4  概率潜在语义分析
    8.4.1  概率潜在语义分析原理
    8.4.2  概率潜在语义分析的学习方法
    8.4.3  潜在狄利克雷分配
  8.5  表示学习的新方法

    8.5.1  Word2Vec模型
    8.5.2  自编码器
  8.6  本章小结
  思考题
参考文献
索引

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目