123,123

內(nèi)容簡(jiǎn)介

　　模式識(shí)別與機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)與技術(shù)的重要研究?jī)?nèi)容之一?！赌Ｊ阶R(shí)別與機(jī)器學(xué)習(xí)技術(shù)》首先講解了貝葉斯分類、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等常用的機(jī)器學(xué)習(xí)算法，并對(duì)結(jié)構(gòu)數(shù)據(jù)的核函數(shù)和增量支持向量機(jī)算法進(jìn)行了全面綜述，講解了深度學(xué)習(xí)新的模型和計(jì)算機(jī)視覺的基本知識(shí)。以農(nóng)業(yè)為應(yīng)用場(chǎng)景，結(jié)合作者的科研工作，詳細(xì)介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的樹木識(shí)別和基于對(duì)抗生成網(wǎng)絡(luò)的玉米病害圖像生成的實(shí)際應(yīng)用案例。后介紹了模式識(shí)別與機(jī)器學(xué)習(xí)涉及的數(shù)學(xué)基礎(chǔ)。書中配有模式識(shí)別與機(jī)器學(xué)習(xí)相應(yīng)算法的Python源代碼?！赌Ｊ阶R(shí)別與機(jī)器學(xué)習(xí)技術(shù)》適合計(jì)算機(jī)科學(xué)與技術(shù)、數(shù)據(jù)科學(xué)與技術(shù)等相關(guān)專業(yè)的研究生和本科生使用，也可供從事農(nóng)業(yè)大數(shù)據(jù)研究工作等相關(guān)人員參考。

作者簡(jiǎn)介

暫缺《模式識(shí)別與機(jī)器學(xué)習(xí)技術(shù)》作者簡(jiǎn)介

圖書目錄

1 模式識(shí)別與機(jī)器學(xué)習(xí)基本概念
1．1 模式識(shí)別
1．1．1 基本概念
1．1．2 模式識(shí)別應(yīng)用
1．1．3 模式識(shí)別系統(tǒng)
1．1．4 模式識(shí)別基本方法
1．1．5 模式識(shí)別基本問題
1．1．6 模式識(shí)別基本準(zhǔn)則
1．2 機(jī)器學(xué)習(xí)
1．2．1 簡(jiǎn)介
1．2．2 機(jī)器學(xué)習(xí)的分類
1．2．3 深度學(xué)習(xí)
1．3 機(jī)器學(xué)習(xí)與模式識(shí)別算法評(píng)價(jià)指標(biāo)
1．3．1 查全率與準(zhǔn)確率
1．3．2 交叉驗(yàn)證
1．3．3 混淆矩陣
1．4 K近鄰算法
1．5 頂級(jí)會(huì)議和期刊
1．5．1 頂級(jí)會(huì)議
1．5．2 頂級(jí)期刊
1．5．3 國(guó)內(nèi)重要期刊

2 判別函數(shù)
2．1 判別函數(shù)
2．1．1 線性判別函數(shù)
2．1．2 非線性判別函數(shù)
2．2 Fisher線性判別函數(shù)

3 特征提取與選擇
3．1 簡(jiǎn)介
3．2 基本概念
3．3 類別可分性判據(jù)
3．3．1 基于距離的可分性判據(jù)
3．3．2 基于概率分布的可分性判據(jù)
3．4 主成分分析
3．4．1 簡(jiǎn)介
3．4．2 基本原理
3．4．3 具體步驟
3．4．4 應(yīng)用舉例
3．4．5 核主成分分析法
3．5 圖像特征
3．5．1 顏色特征
3．5．2 紋理特征
3．5．3 形狀特征

4 貝葉斯分類
4．1 簡(jiǎn)介
4．1．1 相關(guān)統(tǒng)計(jì)概念
4．1．2 貝葉斯定理
4．2 貝葉斯分類
4．3 樸素貝葉斯分類
4．3．1 簡(jiǎn)介
4．3．2 基本原理
4．3．3 分類舉例
4．4 貝葉斯網(wǎng)絡(luò)
4．4．1 結(jié)構(gòu)形式1
4．4．2 結(jié)構(gòu)形式2
4．4．3 結(jié)構(gòu)形式3
4．4．4 舉例
4．5 基于Python的樸素貝葉斯分類實(shí)現(xiàn)

5 聚類分析
5．1 聚類概念
5．2 聚類算法分類
5．3 相似性度量
5．4 聚類準(zhǔn)則
……

6 支持向量機(jī)
7 人工神經(jīng)網(wǎng)絡(luò)
8 機(jī)器學(xué)習(xí)與模式識(shí)別應(yīng)用——以農(nóng)業(yè)為例
9 線性代數(shù)
10 概論論與數(shù)理統(tǒng)計(jì)
11 最優(yōu)化理論與信息論
參考文獻(xiàn)