模式识别和机器学习基础

图书信息

图书特色

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。

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。

目录

1. 模式识别和机器学习基础 目录
2. 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11��2数学基础设置11��3预测21��4预测误差21��5监督学习与无监督学习31��6复杂性权衡31��7设计周期41��8应用实例51��8��1生物信息学51��8��2材料信息学71��9文献注释9第2章*优分类102��1无特征分类102��2有特征分类102��3贝叶斯分类器132��4贝叶斯误差162��5高斯模型192��5��1同方差情况202��5��2异方差情况222��6其他主题222��6��1极小极大分类222��6��2F�参蟛�242��6��3贝叶斯决策理论26*2��6��4分类问题的严格表达272��7文献注释282��8练习292��9Python作业33第3章基于实例的分类363��1分类规则363��2分类错误率38*3��3一致性383��4没有免费午餐定理413��5其他主题423��5��1集成分类423��5��2混合抽样与独立抽样433��6文献注释443��7练习443��8Python作业45第4章参数分类474��1参数替换规则474��2高斯判别分析484��2��1线性判别分析484��2��2二次判别分析514��3逻辑斯谛分类534��4其他主题544��4��1正则化判别分析54*4��4��2参数规则的一致性554��4��3贝叶斯参数规则574��5文献注释594��6练习604��7Python作业62第5章非参数分类645��1非参数替换规则645��2直方图分类655��3*近邻分类665��4核分类685��5Cover��Hart定理70*5��6Stone定理735��7文献注释745��8练习755��9Python作业76第6章函数逼近分类786��1支持向量机786��1��1可分数据的线性支持向量机786��1��2一般线性支持向量机806��1��3非线性支持向量机826��2神经网络866��2��1反向传播训练896��2��2卷积神经网络92*6��2��3神经网络的普遍逼近性质946��2��4普遍一致性定理966��3决策树976��4有序分类器1006��5文献注释1016��6练习1026��7Python作业104第7章分类误差估计1087��1误差估计规则1087��2误差估计性能1097��2��1偏差分布1097��2��2偏差、方差、均方根和尾概率110*7��2��3一致性1117��3测试集误差估计1127��4再代入误差估计1137��5交叉验证1147��6自助方法1167��7增强误差估计1187��8其他主题1217��8��1凸误差估计器1217��8��2平滑误差估计器1237��8��3贝叶斯误差估计1237��9文献注释1267��10练习1277��11Python作业129第8章分类模型选择1318��1分类复杂性1318��2Vapnik��Chervonenkis理论134*8��2��1有限模型选择1348��2��2打散系数与VC维度1358��2��3几种分类规则中的VC参数1368��2��4Vapnik��Chervonenkis定理1398��2��5没有免费午餐定理1398��3模型选择方法1408��3��1验证误差*小化1408��3��2训练集误差*小化1418��3��3结构性风险*小化1418��4文献注释1428��5练习143第9章降维1459��1面向分类任务的特征提取1459��2特征选择1469��2��1穷举搜索1469��2��2单变量贪婪搜索1479��2��3多变量贪婪搜索1499��2��4特征选择与分类复杂性1509��2��5特征选择与误差估计1509��3主成分分析1529��4多维缩放1559��5因子分析1569��6文献注释1589��7练习1599��8Python作业160第10章聚类16210��1K��Means算法16210��2高斯混合模型16510��2��1期望*大化方法16610��2��2与K��Means的关系17010��3层次聚类17110��4自组织映射17310��5文献注释17410��6练习17510��7Python作业176第11章回归17811��1*优回归17811��2
3. 展开全部