A Probabilistic Theory of Pattern Recognition

تشخیص الگو یکی از مهم‌ترین چالش‌ها برای دانشمندان و مهندسان است و رویکردهای مختلفی پیشنهاد شده است. هدف این کتاب ارائه گزارشی مستقل از تحلیل احتمالی این رویکردها است. این کتاب شامل بحثی در مورد اندازه‌گیری‌های فاصله، روش‌های ناپارامتری مبتنی بر هسته‌ها یا نزدیک‌ترین همسایگان، نظریه Vapnik-Chervonenkis، آنتروپی اپسیلون، طبقه‌بندی پارامتریک، تخمین خطا، طبقه‌بندی‌کننده آزاد و شبکه‌های عصبی است. تا جایی که ممکن است، ویژگی ها و نابرابری های بدون توزیع به دست می آیند. بخش قابل توجهی از نتایج یا تجزیه و تحلیل جدید است. بیش از 430 مسئله و تمرین مکمل مطالب است.

Pattern recognition presents one of the most significant challenges for scientists and engineers, and many different approaches have been proposed. The aim of this book is to provide a self-contained account of probabilistic analysis of these approaches. The book includes a discussion of distance measures, nonparametric methods based on kernels or nearest neighbors, Vapnik-Chervonenkis theory, epsilon entropy, parametric classification, error estimation, free classifiers, and neural networks. Wherever possible, distribution-free properties and inequalities are derived. A substantial portion of the results or the analysis is new. Over 430 problems and exercises complement the material.