模式识别电子书

前言

符号表

第一部分 概述

第1章 绪论

1.1 样例：自动驾驶

1.2 模式识别与机器学习

1.3 本书的结构

习题

第2章 数学背景知识

2.1 线性代数

2.2 概率

2.3 优化与矩阵微积分

2.4 算法复杂度

2.5 阅读材料

习题

第3章 模式识别系统概述

3.1 人脸识别

3.2 一个简单的最近邻分类器

3.3 丑陋的细节

3.4 制定假设并化简

3.5 一种框架

3.6 阅读材料

习题

第4章 评估

4.1 简单情形中的准确率和错误率

4.2 最小化代价/损失

4.3 不平衡问题中的评估

4.4 我们能达到100%的准确率吗？

4.5 对评估结果的信心

4.6 阅读材料

习题

第二部分 与领域知识无关的特征提取

第5章 主成分分析

5.1 动机

5.2 PCA降维到零维子空间

5.3 PCA降维到一维子空间

5.4 PCA投影到更多维度

5.5 完整的PCA算法

5.6 方差的分析

5.7 什么时候使用或不用PCA呢？

5.8 白化变换

5.9 特征分解与SVD

5.10 阅读材料

习题

第6章 Fisher线性判别

6.1 用于二分类的FLD

6.2 用于多类的FLD

6.3 阅读材料

习题

第三部分 分类器与其他工具

第7章 支持向量机

7.1 SVM的关键思想

7.2 可视化并计算间隔

7.3 最大化间隔

7.4 优化与求解

7.5 向线性不可分问题和多类问题的扩展

7.6 核SVM

7.7 阅读材料

习题

第8章 概率方法

8.1 思考问题的概率路线

8.2 各种选择

8.3 参数化估计

8.4 非参数化估计

8.5 做出决策

8.6 阅读材料

习题

第9章 距离度量与数据变

9.1 距离度量和相似度度量

9.2 数据变换和规范化

9.3 阅读材料

习题

第10章 信息论和决策树

10.1 前缀码和霍夫曼树

10.2 信息论基础

10.3 连续分布的信息论

10.4 机器学习和模式识别中的信息论

10.5 决策树

10.6 阅读材料

习题

第四部分 处理变化多端的数据

第11章 稀疏数据和未对齐数据

11.1 稀疏机器学习

11.2 动态时间规整

11.3 阅读材料

习题

第12章 隐马尔可夫模型

12.1 时序数据与马尔可夫性质

12.2 HMM学习中的三个基本问题

12.3 α、β和评估问题

12.4 γ、δ、ψ和解码问题

12.5 ξ和HMM参数的学习

12.6 阅读材料

习题

第五部分 高阶课题

第13章 正态分布

13.1 定义

13.2 符号和参数化形式

13.3 线性运算与求和

13.4 几何和马氏距离

13.5 条件作用

13.6 高斯分布的乘积

13.7 应用I：参数估计

13.8 应用II：卡尔曼滤波

13.9 在本章中有用的数学

习题

第14章 EM算法的基本思想

14.1 GMM：一个工作实例

14.2 EM算法的非正式描述

14.3 期望最大化算法

14.4 EM用于GMM

14.5 阅读材料

习题

第15章 卷积神经网络

15.1 预备知识

15.2 CNN概览

15.3 层的输入、输出和符号

15.4 ReLU层

15.5 卷积层

15.6 汇合层

15.7 案例分析：VGG16网络

15.8 CNN的亲身体验

15.9 阅读材料

习题

参考文献

英文索引

中文索引

南京大学人工智能系列教材

智能科学与技术丛书