正版
模式识别
- 书名
- 模式识别
- 作者
- 鲁继文,郑文钊 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-09-01
- ISBN
- 9787302725756
- 货号
- 1204585808
- 品相
- 全新
- 分类
- 当代·科技
- 书名
- 模式识别
- 作者
- 鲁继文,郑文钊 著
- 出版社
- 清华大学出版社
- 出版时间
- 2026-09-01
- ISBN
- 9787302725756
- 货号
- 1204585808
- 品相
- 全新
- 分类
- 当代·科技
作者简介▼
鲁继文,清华大学长聘教授,博士生导师,自动化系副主任,国家杰出青年科学基金获得者,IEEE Fellow,IAPR Fellow,国际期刊Pattern Recognition Letters主编。主要研究方向包括计算机视觉、模式识别、智能机器人,发表PAMI/CVPR/ICCV/ECCV论文160余篇,获授权国家发明专利50余项,主持国家重点研发计划项目1项和国家自然科学基金重点项目2项,获国家级教学成果奖二等奖1项、北京市高等教育教学成果一等奖1项、和中国电子学会自然科学一等奖1项。曾/现任IEEE T-IP、T-CSVT、T-BIOM等10多个国内外期刊编委,ACCV2026、FG2023、ICME2022、VCIP2022等国际会议大会主席/程序主席,中国仿真学会视觉计算与仿真专委会主任,中国自动化学会专家咨询工作委员会副主任,模式识别与机器智能专委会常务委员,中国计算机学会计算机视觉专委会常务委员,中国人工智能学会模式识别专委会常务委员。
目录▼
目录
第1章课程绪论1
1.1基本概念1
1.1.1相关概念2
1.1.2研究意义4
1.2发展历史5
1.2.1学科发展历史5
1.2.2学术大事件7
1.2.3未来发展趋势9
1.3应用举例9
1.3.1人脸识别10
1.3.2指纹识别11
1.3.3量化金融13
1.3.4社交网络14
1.3.5目标检测15
1.3.6其他应用17
参考文献19
第2章线性模型21
2.1背景知识21
2.2线性回归23
2.2.1简单线性回归23
2.2.2多元线性回归24
2.2.3广义线性回归25
2.3应用举例25
2.3.1理论推导25
2.3.2二分类问题26
2.3.3多分类问题29
2.3.4不平衡样本30
课后习题32
参考文献32第3章支持向量机34
3.1背景知识34
3.1.1问题引入35
3.1.2间隔与支持向量36
3.2支持向量机37
3.2.1理论推导37
3.2.2对偶问题40
3.3方法扩展44
3.3.1核函数44
3.3.2软间隔与正则化51
课后习题54
参考文献55
第4章决策树57
4.1决策树模型57
4.1.1问题背景58
4.1.2模型定义59
4.2决策树模型61
4.2.1划分选择61
4.2.2剪枝策略66
4.2.3应用举例73
课后习题77
参考文献79
第5章贝叶斯分类80
5.1背景知识80
5.2贝叶斯决策82
5.2.1贝叶斯决策理论82
5.2.2正态分布下的贝叶斯决策87
5.3概率密度函数估计95
5.3.1最大似然估计95
5.3.2贝叶斯估计97
5.3.3非参数估计99
课后习题103
参考文献104
第6章神经网络106
6.1神经网络基础106
6.1.1问题引入107
6.1.2神经网络的概念定义108
6.1.3MP神经元模型109
6.2多层感知机112
6.2.1问题引入112
6.2.2多层前馈网络115
6.2.3反向传播算法118
6.3深度神经网络124
6.3.1基本概念124
6.3.2典型方法127
6.3.3应用举例137
课后习题143
参考文献145
第7章集成学习146
7.1背景知识146
7.1.1问题引入147
7.1.2个体与集成147
7.2学习策略148
7.2.1Boosting149
7.2.2Bagging151
7.2.3Stacking154
课后习题158
参考文献159
第8章数据聚类161
8.1背景知识161
8.1.1问题引入162
8.1.2聚类的数学定义162
8.2聚类算法164
8.2.1均值聚类算法164
8.2.2高斯混合模型聚类算法167
8.2.3层次化聚类算法170
8.3应用举例173
8.3.1非监督图像分割173
8.3.2基因表达数据分析175
8.3.3客户分群分析176
课后习题177
参考文献177
第9章数据降维180
9.1问题引入180
9.1.1问题背景181
9.1.2数据降维作用182
9.2线性降维184
9.2.1主成分分析184
9.2.2线性判别分析188
9.3非线性降维191
9.3.1核方法191
9.3.2流形学习193
课后习题195
参考文献196
第10章特征选择198
10.1问题引入198
10.1.1维度灾难199
10.1.2特征选择200
10.2子集搜索201
10.2.1前向搜索202
10.2.2后向搜索202
10.2.3双向搜索202
10.3子集评价203
10.3.1基于信息熵的判据203
10.3.2基于类内类间距离的判据204
10.3.3基于随机变量关联性的判据205
10.3.4概率分布可分性206
10.4常用算法208
10.4.1过滤式特征选择208
10.4.2包裹式特征选择209
10.4.3嵌入式特征选择210
课后习题212
参考文献212
第11章度量学习214
11.1基本概念214
11.2传统度量学习219
11.2.1强监督度量学习——大间隔最近邻度量学习219
11.2.2弱监督度量学习——基于信息论的度量学习222
11.3深度度量学习225
11.3.1方法概述225
11.3.2三元组损失227
11.3.3非均衡采样228
课后习题230
参考文献230
第12章应用举例232
12.1人脸识别系统232
12.1.1人脸识别任务概述232
12.1.2人脸识别发展历史233
12.1.3人脸识别发展应用235
12.1.4模式识别系统回顾236
12.1.5人脸识别系统组成237
12.2面向人脸识别系统的分类器设计237
12.2.1基于线性模型的人脸识别237
12.2.2基于支持向量机的人脸识别239
12.2.3决策树241
12.2.4贝叶斯分类器242
12.2.5神经网络243
12.2.6基于集成学习的人脸识别245
12.3面向人脸识别系统的模式分析248
12.3.1数据聚类249
12.3.2数据降维250
12.3.3特征选择251
12.3.4度量学习252
参考文献254
文摘▼
本书系统介绍模式识别领域的核心理论和技术,内容涵盖从基础概念到前沿应用的各个方面。全书分为三个主要部分:第1章至第5章为基础理论部分,介绍了模式识别中的经典方法,包括线性模型、支持向量机、决策树、贝叶斯分类等;第6章至第10章为方法应用部分,深入探讨神经网络、集成学习、数据聚类、数据降维等重要技术;第11章和第12章为应用实例部分,重点介绍模式识别在实际问题中的应用,如人脸识别、情感识别等。内容的特点在于,结合了模式识别的传统方法与近年来深度学习的**发展,特别是在计算机视觉和度量学习方面的突破。
本书适合计算机科学、电子工程、自动化、人工智能等相关专业的本科生、研究生及学者使用。同时,具备一定数学基础(如微积分、线性代数、概率论)和编程能力(熟悉C/Python语言)的读者,在阅读本书时会更加得心应手。对于从事模式识别、机器学习或计算机视觉研究的工程技术人员,本书也具有一定的参考价值。此外,本书内容涵盖了许多前沿技术,适合希望深入了解模式识别领域及其应用前景的读者。





