图书介绍
机器学习与视觉感知pdf电子书版本下载
- 张宝昌，杨万扣，林娜娜编著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302428114
- 出版时间：2016
- 标注页数：109页
- 文件大小：11MB
- 文件页数：120页
- 主题词：机器学习
PDF下载
下载说明
机器学习与视觉感知PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 机器学习的发展史 1
引言 1
1.1 机器学习 1
1.1.1 基本简介 1
1.1.2 机器学习的定义和研究意义 2
1.1.3 机器学习的发展史 3
1.1.4 机器学习的主要策略 3
1.1.5 机器学习系统的基本结构 4
1.1.6 机器学习的分类 4
1.1.7 目前研究领域 8
1.2 统计模式识别问题 9
1.2.1 机器学习问题的表示 9
1.2.2 经验风险最小化 11
1.2.3 复杂性与推广能力 11
1.3 统计学习理论的核心内容 12
1.3.1 学习过程一致性的条件 13
1.3.2 推广性的界 13
1.3.3 结构风险最小化 15
小结 17
第2章 PAC模型 18
引言 18
2.1 基本的PAC模型 18
2.1.1 PAC简介 18
2.1.2 基本概念 18
2.1.3 问题框架 19
2.2 PAC模型样本复杂度分析 20
2.2.1 有限空间样本复杂度 20
2.2.2 无限空间样本复杂度 21
小结 22
第3章 决策树学习 23
引言 23
3.1 决策树学习概述 23
3.1.1 决策树 24
3.1.2 性质 25
3.1.3 应用 25
3.1.4 学习 26
3.2 决策树设计 26
3.2.1 决策树的特点 27
3.2.2 决策树的生成 27
小结 33
第4章 贝叶斯学习 34
引言 34
4.1 贝叶斯学习 34
4.1.1 贝叶斯公式 34
4.1.2 最小误差决策 35
4.1.3 正态密度 35
4.1.4 最大似然估计 36
4.1.5 实验结果 37
4.2 朴素贝叶斯原理及应用 40
4.2.1 贝叶斯最佳假设原理 40
4.2.2 Naive Bayes分类 41
4.2.3 基于Naive Bayes的文本分类器 41
4.3 HMM（隐性马氏模型）及应用 44
4.3.1 马尔科夫性 44
4.3.2 马尔科夫链 44
4.3.3 转移概率矩阵 44
4.3.4 HMM（隐性马氏模型）及应用 45
小结 47
第5章 支持向量机 49
引言 49
5.1 支持向量机 49
5.2 支持向量机的实现算法 54
5.3 支持向量机的实例 55
5.4 多类支持向量机 58
小结 58
第6章 AdaBoost 59
引言 59
6.1 AdaBoost与目标检测 59
6.1.1 AdaBoost算法 59
6.1.2 初始化 61
6.2 具有强鲁棒性的实时目标检测 63
6.2.1 矩形特征选取 63
6.2.2 积分图 64
6.2.3 训练结果 65
6.2.4 级联 66
6.3 运用统计学的目标检测 67
6.4 随机森林 68
6.4.1 原理阐述 68
6.4.2 算法详解 68
6.4.3 算法分析 68
小结 69
第7章 压缩感知 70
引言 70
7.1 压缩感知理论框架 70
7.2 压缩感知的基本理论及核心问题 71
7.2.1 压缩感知的数学模型 71
7.2.2 信号的稀疏表示 71
7.2.3 信号的观测矩阵 72
7.2.4 信号的重构算法 73
7.3 压缩感知的应用与仿真 73
7.3.1 应用 73
7.3.2 人脸识别 74
小结 76
第8章 子空间 77
引言 77
8.1 基于主成分分析的特征提取 77
8.2 数学模型 79
8.3 主成分的数学上的计算 80
8.3.1 两个线性代数的结论 80
8.3.2 基于协方差矩阵的特征值分解 80
8.3.3 主成分分析的步骤 81
8.4 主成分分析的性质 82
8.5 基于主成分分析的人脸识别方法 83
小结 84
第9章 深度学习与神经网络 85
引言 85
9.1 神经网络及其主要算法 85
9.1.1 前馈神经网络 85
9.1.2 感知器 85
9.1.3 三层前馈网络 87
9.1.4 反向传播算法 88
9.2 深度学习 90
9.2.1 深度学习概述 90
9.2.2 自编码算法AutoEncoder 91
9.2.3 自组织编码深度网络 92
9.2.4 卷积神经网络模型 93
小结 96
第10章 强化学习 97
引言 97
10.1 强化学习概述 97
10.2 强化学习过程 98
10.2.1 马尔科夫性 98
10.2.2 奖励 98
10.2.3 估价函数 99
10.2.4 动态规划 99
10.2.5 蒙特卡洛方法 100
10.2.6 时序差分学习 100
10.2.7 Q-Learning 102
10.2.8 Q学习算法的改进 103
10.3 程序实现 105
参考文献 109