![《模式识别和机器学习基础》[美]乌利塞斯・布拉加-内托(Uliss](https://i3.wp.com/image12.bookschina.com/2023/20231119/1/9190725.jpg?w=1920&resize=1920,1080&ssl=1)
《模式识别和机器学习基础》[美]乌利塞斯・布拉加-内托(Uliss | PDF下载|ePub下载
![《模式识别和机器学习基础》[美]乌利塞斯・布拉加-内托(Uliss](https://i0.wp.com/image12.bookschina.com/2023/20231119/1/9190725.jpg?w=556&resize=556,800&ssl=1 "点击看大图")
模式识别和机器学习基础 版权信息
- 出版社：机械工业出版社
- 出版时间：2023-10-01
- ISBN：9787111735267
- 条形码：9787111735267 ; 978-7-111-73526-7
模式识别和机器学习基础 本书特色
本书没有对模式识别和机器学习进行百科全书式的介绍，而是精选了核心内容，使读者在学习本书后能够精通核心知识点。本书广泛使用Python脚本和真实的生物信息学和材料信息学数据集来说明理论的要点。
模式识别和机器学习基础 内容简介
模式识别和机器学习是人工智能应用的基础。本书将模式识别任务按照监督学习和无监督学习两种方式进行组织。第1章讨论模式识别和机器学习的内在关系，介绍了两者的基础知识和模式识别的设计过程。第2章和第3章介绍了zui优化的和常规的基于实例的分类问题。第4~6章检验了参数的、非参数的和函数逼近的分类规则。之后在第7章和第8章就分类的误差估计和模型选择对分类模型的性能进行讨论。第9章介绍了能够提高分类模型的性能并减少存储空间的降维技术。第10章和第11章分别介绍了聚类分析技术和回归模型。本书适合相关专业高年级本科生和研究生，以及该领域的从业人员阅读。
模式识别和机器学习基础 目录
目录
Fundamentals of Pattern Recognition and Machine Learning
译者序
前言
第1章概述11��1模式识别与机器学习1
1��2数学基础设置1
1��3预测2
1��4预测误差2
1��5监督学习与无监督学习3
1��6复杂性权衡3
1��7设计周期4
1��8应用实例5
1��8��1生物信息学5
1��8��2材料信息学7
1��9文献注释9
第2章*优分类102��1无特征分类10
2��2有特征分类10
2��3贝叶斯分类器13
2��4贝叶斯误差16
2��5高斯模型19
2��5��1同方差情况20
2��5��2异方差情况22
2��6其他主题22
2��6��1极小极大分类22
2��6��2F�参蟛�24
2��6��3贝叶斯决策理论26
*2��6��4分类问题的严格表达27
2��7文献注释28
2��8练习29
2��9Python作业33
第3章基于实例的分类363��1分类规则36
3��2分类错误率38
*3��3一致性38
3��4没有免费午餐定理41
3��5其他主题42
3��5��1集成分类42
3��5��2混合抽样与独立抽样43
3��6文献注释44
3��7练习44
3��8Python作业45
第4章参数分类474��1参数替换规则47
4��2高斯判别分析48
4��2��1线性判别分析48
4��2��2二次判别分析51
4��3逻辑斯谛分类53
4��4其他主题54
4��4��1正则化判别分析54
*4��4��2参数规则的一致性55
4��4��3贝叶斯参数规则57
4��5文献注释59
4��6练习60
4��7Python作业62
第5章非参数分类645��1非参数替换规则64
5��2直方图分类65
5��3*近邻分类66
5��4核分类68
5��5Cover��Hart定理70
*5��6Stone定理73
5��7文献注释74
5��8练习75
5��9Python作业76
第6章函数逼近分类786��1支持向量机78
6��1��1可分数据的线性支持
向量机78
6��1��2一般线性支持向量机80
6��1��3非线性支持向量机82
6��2神经网络86
6��2��1反向传播训练89
6��2��2卷积神经网络92
*6��2��3神经网络的普遍逼近
性质94
6��2��4普遍一致性定理96
6��3决策树97
6��4有序分类器100
6��5文献注释101
6��6练习102
6��7Python作业104
第7章分类误差估计1087��1误差估计规则108
7��2误差估计性能109
7��2��1偏差分布109
7��2��2偏差、方差、均方根和
尾概率110
*7��2��3一致性111
7��3测试集误差估计112
7��4再代入误差估计113
7��5交叉验证114
7��6自助方法116
7��7增强误差估计118
7��8其他主题121
7��8��1凸误差估计器121
7��8��2平滑误差估计器123
7��8��3贝叶斯误差估计123
7��9文献注释126
7��10练习127
7��11Python作业129
第8章分类模型选择1318��1分类复杂性131
8��2Vapnik��Chervonenkis理论134
*8��2��1有限模型选择134
8��2��2打散系数与VC维度135
8��2��3几种分类规则中的VC
参数136
8��2��4Vapnik��Chervonenkis
定理139
8��2��5没有免费午餐定理139
8��3模型选择方法140
8��3��1验证误差*小化140
8��3��2训练集误差*小化141
8��3��3结构性风险*小化141
8��4文献注释142
8��5练习143
第9章降维1459��1面向分类任务的特征提取145
9��2特征选择146
9��2��1穷举搜索146
9��2��2单变量贪婪搜索147
9��2��3多变量贪婪搜索149
9��2��4特征选择与分类复杂性150
9��2��5特征选择与误差估计150
9��3主成分分析152
9��4多维缩放155
9��5因子分析156
9��6文献注释158
9��7练习159
9��8Python作业160
第10章聚类16210��1K��Means算法162
10��2高斯混合模型165
10��2��1期望*大化方法166
10��2��2与K��Means的关系170
10��3层次聚类171
10��4自组织映射173
10��5文献注释174
10��6练习175
10��7Python作业176
第11章回归17811��1*优回归178
11��2
Fundamentals of Pattern Recognition and Machine Learning
译者序
前言
第1章概述11��1模式识别与机器学习1
1��2数学基础设置1
1��3预测2
1��4预测误差2
1��5监督学习与无监督学习3
1��6复杂性权衡3
1��7设计周期4
1��8应用实例5
1��8��1生物信息学5
1��8��2材料信息学7
1��9文献注释9
第2章*优分类102��1无特征分类10
2��2有特征分类10
2��3贝叶斯分类器13
2��4贝叶斯误差16
2��5高斯模型19
2��5��1同方差情况20
2��5��2异方差情况22
2��6其他主题22
2��6��1极小极大分类22
2��6��2F�参蟛�24
2��6��3贝叶斯决策理论26
*2��6��4分类问题的严格表达27
2��7文献注释28
2��8练习29
2��9Python作业33
第3章基于实例的分类363��1分类规则36
3��2分类错误率38
*3��3一致性38
3��4没有免费午餐定理41
3��5其他主题42
3��5��1集成分类42
3��5��2混合抽样与独立抽样43
3��6文献注释44
3��7练习44
3��8Python作业45
第4章参数分类474��1参数替换规则47
4��2高斯判别分析48
4��2��1线性判别分析48
4��2��2二次判别分析51
4��3逻辑斯谛分类53
4��4其他主题54
4��4��1正则化判别分析54
*4��4��2参数规则的一致性55
4��4��3贝叶斯参数规则57
4��5文献注释59
4��6练习60
4��7Python作业62
第5章非参数分类645��1非参数替换规则64
5��2直方图分类65
5��3*近邻分类66
5��4核分类68
5��5Cover��Hart定理70
*5��6Stone定理73
5��7文献注释74
5��8练习75
5��9Python作业76
第6章函数逼近分类786��1支持向量机78
6��1��1可分数据的线性支持
向量机78
6��1��2一般线性支持向量机80
6��1��3非线性支持向量机82
6��2神经网络86
6��2��1反向传播训练89
6��2��2卷积神经网络92
*6��2��3神经网络的普遍逼近
性质94
6��2��4普遍一致性定理96
6��3决策树97
6��4有序分类器100
6��5文献注释101
6��6练习102
6��7Python作业104
第7章分类误差估计1087��1误差估计规则108
7��2误差估计性能109
7��2��1偏差分布109
7��2��2偏差、方差、均方根和
尾概率110
*7��2��3一致性111
7��3测试集误差估计112
7��4再代入误差估计113
7��5交叉验证114
7��6自助方法116
7��7增强误差估计118
7��8其他主题121
7��8��1凸误差估计器121
7��8��2平滑误差估计器123
7��8��3贝叶斯误差估计123
7��9文献注释126
7��10练习127
7��11Python作业129
第8章分类模型选择1318��1分类复杂性131
8��2Vapnik��Chervonenkis理论134
*8��2��1有限模型选择134
8��2��2打散系数与VC维度135
8��2��3几种分类规则中的VC
参数136
8��2��4Vapnik��Chervonenkis
定理139
8��2��5没有免费午餐定理139
8��3模型选择方法140
8��3��1验证误差*小化140
8��3��2训练集误差*小化141
8��3��3结构性风险*小化141
8��4文献注释142
8��5练习143
第9章降维1459��1面向分类任务的特征提取145
9��2特征选择146
9��2��1穷举搜索146
9��2��2单变量贪婪搜索147
9��2��3多变量贪婪搜索149
9��2��4特征选择与分类复杂性150
9��2��5特征选择与误差估计150
9��3主成分分析152
9��4多维缩放155
9��5因子分析156
9��6文献注释158
9��7练习159
9��8Python作业160
第10章聚类16210��1K��Means算法162
10��2高斯混合模型165
10��2��1期望*大化方法166
10��2��2与K��Means的关系170
10��3层次聚类171
10��4自组织映射173
10��5文献注释174
10��6练习175
10��7Python作业176
第11章回归17811��1*优回归178
11��2
