模式分类
内容简介
《模式分类》(原书第2版)的第1版《模式分类与场景分析》出版于1973年，是模式识别和场景分析领域奠基性的经曲名著。在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。
......(更多)
作者简介
......(更多)
目录
出版者的话
专家指导委员会
译者序
前言
第1章 绪论
1.1 机器感知
1.2 一个例子
1.3 模式识别系统
1.4 设计循环
1.5 学习和适应
1.6 本章小结
全书各章概要
文献和历史评述
参考文献
第2章 贝叶斯决策论
2.1 引言
2.2 贝叶斯决策论——连续特征
2.3 最小误差率分类
2.4 分类器、判别函数及判定面
2.5 正态密度
2.6 正态分布的判别函数
2.7 误差概率和误差积分
2.8 正态密度的误差上界
2.9 贝叶斯决策论——离散特征
2.10 丢失特征和噪声特征
2.11 贝叶斯置信网
2.12 复合贝叶斯决策论及上下文
本章小结
文献和历史评述
习题
上机练习
参考文献
第3章 最大似然估计和贝叶斯参数估计
第4章 非参数技术
第5章 线性判别函数
第6章 多层神经网络
第7章 随机方法
第8章 非度量方法
第9章 独立于算法的机器学习
第10章 无监督学习和聚类
附录A 数学基础
参考文献
索引
......(更多)
读书文摘
最大似然估计（和其他类似方法）把待估计的参数看作是确定性的量，只是其取值未知。最佳估计就是使得产生已观测到的样本（即训练样本）的概率为最大的那个值。 与此不同的是，贝叶斯估计则把待估计的参数看成是符合某种先验分布的随机变量。对样本进行观测的过程，就是把先验概率密度转化为后验概率密度，这样就利用样本的信息修正了对参数的初始估计值。
参数估计问题是统计学中的经典问题，并且已经有了一些具体的解决方法。这里我们将主要讨论两种最常用和很有效的方法，也就是：最大似然估计和贝叶斯估计。
......(更多)
