統(tǒng)計模式識別（第三版）

定　價：￥89.00

作　者：	Andrew R. Webb（A. R. 韋布） Keith D. Copsey（K. D. 科普西）著，王萍譯
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787121250125	出版時間：	2015-01-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書系統(tǒng)地介紹統(tǒng)計模式識別的理論和技術(shù)，并討論機器學習領(lǐng)域的諸多問題和相關(guān)算法，反映模式識別理論和技術(shù)的最新研究進展。其中，大部分識別和分類問題取材于工程學、統(tǒng)計學、計算機科學和社會學等領(lǐng)域的相關(guān)應(yīng)用，并配有應(yīng)用研究實例。與前版相比，充實或新增了關(guān)于估計概率密度的貝葉斯方法、估計概率密度的新的非參數(shù)方法、新的分類模型、譜聚類問題、分類規(guī)則的歸納法、復(fù)雜網(wǎng)絡(luò)等方面的介紹。

作者簡介

　　Andrew R. Webb和Keith D. Copsey目前任職于英國Malvern的Mathematics and Data Analysis Consultancy公司，是機器學習方向的著名專家。

圖書目錄

第1章統(tǒng)計模式識別緒論
1.1 統(tǒng)計模式識別
1.1.1 引言
1.1.2 基本模型
1.2 解決模式識別問題的步驟
1.3 問題討論
1.4 統(tǒng)計模式識別的方法
1.5 基本決策理論
1.5.1 最小錯誤貝葉斯決策規(guī)則
1.5.2 最小錯誤貝葉斯決策規(guī)則——拒絕分類
1.5.3 最小風險貝葉斯決策規(guī)則
1.5.4 最小風險貝葉斯決策規(guī)則——拒絕分類
1.5.5 Neyman-Pearson決策規(guī)則
1.5.6 最小最大決策
1.5.7 討論
1.6 判別函數(shù)
1.6.1 引言
1.6.2 線性判別函數(shù)
1.6.3 分段線性判別函數(shù)
1.6.4 廣義線性判別函數(shù)
1.6.5 小結(jié)
1.7 多重回歸
1.8 本書梗概
1.9 提示及參考文獻
習題
第2章密度估計的參數(shù)法
2.1 引言
2.2 分布參數(shù)估計
2.2.1 估計法
2.2.2 預(yù)測法
2.3 高斯分類器
2.3.1 詳述
2.3.2 高斯分類器插入估計的推導
2.3.3 應(yīng)用研究舉例
2.4 處理高斯分類器的奇異問題
2.4.1 引言
2.4.2 樸素貝葉斯
2.4.3 投影到子空間
2.4.4 線性判別函數(shù)
2.4.5 正則化判別分析
2.4.6 應(yīng)用研究舉例
2.4.7 拓展研究
2.4.8 小結(jié)
2.5 有限混合模型
2.5.1 引言
2.5.2 混合判別模型
2.5.3 正態(tài)混合模型的參數(shù)估計
2.5.4 正態(tài)混合模型協(xié)方差矩陣約束
2.5.5 混合模型分量的數(shù)量
2.5.6 期望最大化算法下的極大似然估計
2.5.7 應(yīng)用研究舉例
2.5.8 拓展研究
2.5.9 小結(jié)
2.6 應(yīng)用研究
2.7 總結(jié)和討論
2.8 建議
2.9 提示及參考文獻
習題
第3章密度估計的貝葉斯法
3.1 引言
3.1.1 基本原理
3.1.2 遞歸計算
3.1.3 比例性
3.2 解析解
3.2.1 共軛先驗概率
3.2.2 方差已知的正態(tài)分布的均值估計
3.2.3 多元正態(tài)分布的均值及協(xié)方差矩陣估計
3.2.4 未知類先驗概率的情形
3.2.5 小結(jié)
3.3 貝葉斯采樣方案
3.3.1 引言
3.3.2 梗概
3.3.3 貝葉斯分類器的采樣類型
3.3.4 拒絕采樣
3.3.5 均勻比
……
第4章密度估計的非參數(shù)法
第5章線性判別分析
第6章非線性判別分析——核與投影法
第7章規(guī)則和決策樹歸納法
第8章組合方法
第9章性能評價
第10章特征選擇與特征提取
第11章聚類
第12章復(fù)雜網(wǎng)絡(luò)
第13章其他論題
參考文獻