模式分类: 原书第2版

封面\n书名\n版权\n前言\n目录\n第1章  绪论\n1.1机器感知\n1.2一个例子\n1.3模式识别系统\n1.4设计循环\n1.5学习和适应\n1.6本章小结\n全书各章概要\n文献和历史评述\n参考文献\n第2章  贝叶斯决策论\n2.1引言\n2.2贝叶斯决策论——连续特征\n2.3最小误差率分类\n2.3.1极小化极大准则\n2.3.2Neyman-Pearson准则\n2.4分类器、判别函数及判定面\n2.5正态密度\n2.6正态分布的判别函数\n2.7误差概率和误差积分\n2.8正态密度的误差上界\n2.9贝叶斯决策论——离散特征\n2.10丢失特征和噪声特征\n2.11贝叶斯置信网\n2.12复合贝叶斯决策论及上下文\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n3.1引言\n第3章  最大似然估计和贝叶斯参数估计\n3.2最大似然估计\n3.3贝叶斯估计\n3.4贝叶斯参数估计：高斯情况\n3.5贝叶斯参数估计：一般理论\n3.6充分统计量\n3.7维数问题\n3.8成分分析和判别函数\n3.9期望最大化算法\n3.10隐马尔可夫模型\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n第4章  非参数技术\n4.1引言\n4.2概率密度的估计\n4.3Parzen窗方法\n4.4kn-近邻估计\n4.5最近邻规则\n4.6距离度量和最近邻分类\n4.7模糊分类\n4.8RCE网络\n4.9级数展开逼近\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n5.2线性判别函数和判定面\n5.1引言\n第5章  线性判别函数\n5.3广义线性判别函数\n5.4两类线性可分的情况\n5.5感知器准则函数最小化\n5.6松弛算法\n5.7不可分的情况\n5.8最小平方误差方法\n5.9Ho-Kashyap算法\n5.10线性规划算法\n5.11支持向量机\n5.12推广到多类问题\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n第6章  多层神经网络\n6.1引言\n6.2前馈运算和分类\n6.3反向传播算法\n6.4误差曲面\n6.5反向传播作为特征映射\n6.6反向传播、贝叶斯理论及概率\n6.7相关的统计技术\n6.8改进反向传播的一些实用技术\n6.9二阶技术\n6.10其他网络和训练算法\n6.11正则化、复杂度调节和剪枝\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n第7章  随机方法\n7.1引言\n7.2随机搜索\n7.3Boltzmann学习\n7.4Boltzmann网络和图示模型\n7.5进化方法\n7.6遗传规划\n文献和历史评述\n本章小结\n习题\n上机练习\n参考文献\n第8章  非度量方法\n8.1引言\n8.2判定树\n8.3CART\n8.4其他树方法\n8.5串的识别\n8.6文法方法\n8.7文法推断\n8.8基于规则的方法\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n第9章  独立于算法的机器学习\n9.1引言\n9.2没有天生优越的分类器\n9.3偏差和方差\n9.4统计量估计中的重采样技术\n9.5分类器设计中的重采样技术\n9.6分类器的评价和比较\n9.7组合分类器\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\n10.2混合密度和可辨识性\n第10章  无监督学习和聚类\n10.1引言\n10.3最大似然估计\n10.4对混合正态密度的应用\n10.5无监督贝叶斯学习\n10.6数据描述和聚类\n10.7聚类的准则函数\n10.8迭代最优化\n10.9层次聚类\n10.10验证问题\n10.11在线聚类\n10.12图论方法\n10.13成分分析\n10.14低维数据表示和多维尺度变换\n本章小结\n文献和历史评述\n习题\n上机练习\n参考文献\nA.1符号和记号\n附录A数学基础\nA.2线性代数\nA.3拉格朗日乘数法\nA.4概率论\nA.5高斯函数的导数和积分\nA.6假设检验\nA.7信息论基础\nA.8计算复杂度\n文献评述\n参考文献\n索引