模式识别

第1章 概论
1.1 模式与模式识别
1.2 模式识别的主要方法
1.3 监督模式识别与非监督模式识别
1.4 模式识别系统举例
1.5 模式识别系统的典型构成
1.6 本书的主要内容

第2章 统计决策方法
2.1 引言：一个简单的例子
2.2 *小错误率贝叶斯决策
2.3 *小风险贝叶斯决策
2.4 两类错误率、Neyman?Pearson决策与ROC曲线
2.5 正态分布时的统计决策
2.5.1 正态分布及其性质回顾
2.5.2 正态分布概率模型下的*小错误率贝叶斯决策
2.6 错误率的计算
2.6.1 正态分布且各类协方差矩阵相等情况下错误率的计算
2.6.2 高维独立随机变量时错误率的估计
2.7 离散时间序列样本的统计决策
2.7.1 基因组序列的例子
2.7.2 马尔可夫模型及在马尔可夫模型下的贝叶斯决策
2.7.3 隐马尔可夫模型简介
2.8 小结与讨论

第3章 概率密度函数的估计
3.1 引言
3.2 *大似然估计
3.2.1 *大似然估计的基本原理
3.2.2 *大似然估计的求解
3.2.3 正态分布下的*大似然估计
3.3 贝叶斯估计与贝叶斯学习
3.3.1 贝叶斯估计
3.3.2 贝叶斯学习
3.3.3 正态分布时的贝叶斯估计
3.3.4 其他分布的情况
3.4 概率密度估计的非参数方法
3.4.1 非参数估计的基本原理与直方图方法
3.4.2 kN近邻估计方法
3.4.3 Parzen窗法

第4章 隐马尔可夫模型与贝叶斯网络
4.1 引言
4.2 贝叶斯网络的基本概念
4.3 隐马尔可夫模型（HMM）
4.3.1 HMM评估问题
4.3.2 HMM隐状态推断问题（解码问题）
4.3.3 HMM学习问题
4.4 朴素贝叶斯分类器（Na??veBayes）
4.5 在贝叶斯网络上的条件独立性
4.6 贝叶斯网络模型的学习
4.6.1 贝叶斯网络的参数学习
4.6.2 贝叶斯网络的结构学习
4.7 讨论

第5章 线性学习机器与线性分类器
5.1 引言
5.2 线性回归
5.3 线性判别函数的基本概念
5.4 Fisher线性判别分析
5.5 感知器
5.6 *小平方误差判别
5.7 罗杰斯特回归
5.8 *优分类超平面与线性支持向量机
5.8.1 *优分类超平面
5.8.2 大间隔与推广能力
5.8.3 线性不可分情况
5.9 多类线性分类器
5.9.1 多个两类分类器的组合
5.9.2 多类线性判别函数
5.9.3 多类罗杰斯特回归与软*大
5.10 讨论

第6章 典型的非线性分类器
6.1 引言
6.2 分段线性判别函数
6.2.1 分段线性距离分类器
6.2.2 一般的分段线性判别函数
6.3 二次判别函数
6.4 多层感知器神经网络
6.4.1 神经元与感知器
6.4.2 用多个感知器实现非线性分类
6.4.3 反向传播算法
6.4.4 多层感知器网络用于模式识别
6.4.5 神经网络结构的选择
6.4.6 前馈神经网络与传统模式识别方法的关系
6.4.7 人工神经网络的一般知识
6.5 支持向量机
6.5.1 广义线性判别函数
6.5.2 核函数变换与支持向量机
6.5.3 支持向量机早期应用举例
6.5.4 支持向量机的实现算法
6.5.5 多类支持向量机
6.5.6 用于函数拟合的支持向量机--支持向量回归
6.6 核函数机器
6.6.1 大间隔机器与核函数机器
6.6.2 核Fisher判别
6.6.3 中心支持向量机
6.7 讨论

第7章 统计学习理论概要
7.1 引言
7.2 机器学习问题的提法
7.2.1 机器学习问题的函数估计表示
7.2.2 经验风险*小化原则及其存在的问题
7.3 学习过程的一致性
7.4 函数集的容量与VC维
7.5 推广能力的界与结构风险*小化原则
7.6 支持向量机的理论分析
7.7 不适定问题和正则化方法简介
7.7.1 不适定问题
7.7.2 正则化方法
7.7.3 常见的正则化方法
7.8 讨论

第8章 非参数学习机器与集成学习
8.1 引言
8.2 近邻法
8.2.1 *近邻法
8.2.2 k?近邻法
8.2.3 近邻法的快速算法
8.2.4 剪辑近邻法
8.2.5 压缩近邻法
8.3 决策树与随机森林
8.3.1 非数值特征的量化
8.3.2 决策树
8.3.3 过学习与决策树的剪枝
8.3.4 随机森林
8.4 Boosting集成学习
8.5 讨论

第9章 特征选择
9.1 引言
9.2 用于分类的特征评价准则
9.2.1 基于类内类间距离的可分性判据
9.2.2 基于概率分布的可分性判据
9.2.3 基于熵的可分性判据
9.2.4 利用统计检验作为可分性判据
9.3 特征选择的*优算法
9.4 特征选择的次优算法
9.5 遗传算法
9.6 包裹法：以分类性能为准则的特征选择方法
9.7 讨论

第10章 特征提取与降维表示
10.1 引言
10.2 基于类别可分性判据的特征提取
10.3 主成分分析
10.4 Karhunen?Loève变换
10.4.1 K?L变换
10.4.2 用于监督模式识别的K?L变换
10.5 用“本征脸”作为人脸识别的特征
10.6 高维数据的低维可视化
10.7 多维尺度（MDS）法
10.7.1 MDS的基本概念
10.7.2 古典尺度法
10.7.3 度量型MDS
10.7.4 非度量型MDS
10.7.5 MDS在模式识别中的应用举例
10.8 非线性特征变换方法简介
10.8.1 核主成分分析（KPCA）
10.8.2 IsoMap方法和LLE方法
10.9 t?SNE降维可视化方法
10.10 讨论

第11章 非监督学习与聚类
11.1 引言
11.2 基于模型的聚类方法
11.3 混合模型的估计
11.3.1 混合密度的*大似然估计
11.3.2 混合正态分布的参数估计
11.4 动态聚类算法
11.4.1 C均值算法（K均值算法）
11.4.2 ISODATA方法
11.4.3 基于核的动态聚类算法
11.5 模糊聚类方法
11.5.1 模糊集的基本知识
11.5.2 模糊C均值算法
11.5.3 改进的模糊C均值算法
11.6 分级聚类方法
11.7 自组织映射（SOM）神经网络
11.7.1 SOM网络结构
11.7.2 SOM学习算法和自组织特性
11.7.3 SOM网络用于模式识别
11.8 一致聚类方法
11.9 讨论

第12章 深度学习
12.1 引言
12.2 人工神经网络回顾
12.3 卷积神经网络（CNN）
12.3.1 卷积层
12.3.2 汇集（池化）
12.3.3 深层卷积神经网络
12.3.4 卷积神经网络的演化和几个代表性模型
12.3.5 卷积神经网络在非图像数据上的应用举例
12.4 循环神经网络（RNN）
12.4.1 Hopfield神经网络
12.4.2 循环神经网络
12.5 长短时记忆模型（LSTM）
12.6 自编码器、限制性玻尔兹曼机与深度信念网络
12.6.1 自编码器
12.6.2 用多层自编码器构造深度神经网络
12.6.3 限制性玻尔兹曼机（RBM）
12.6.4 深度自编码器与深度信念网络（DBN）
12.7 生成模型
12.7.1 变分自编码器（VAE）
12.7.2 生成对抗网络（GAN）
12.8 综合应用举例
12.8.1 中文病历文本生成
12.8.2 人工基因调控元件的生成
12.9 深度学习算法中的部分常用技巧
12.10 讨论

第13章 模式识别系统的评价
13.1 引言
13.2 监督模式识别的错误率估计
13.2.1 训练错误率
13.2.2 测试错误率
13.2.3 交叉验证
13.2.4 自举法与0.6 32估计
13.3 有限样本下错误率的区间估计
13.3.1 问题的提出
13.3.2 用扰动重采样估计SVM错误率的置信区间
13.4 特征提取与选择对分类器性能估计的影响
13.5 用分类性能进行关系推断
13.6 非监督模式识别系统性能的评价
13.6.1 聚类质量的评价
13.6.2 聚类结果的比较
13.7 讨论

第14章 常用模式识别与机器学习软件平台
14.1 引言
14.2 Python中的模式识别工具包
14.2.1 sklearn中的回归方法使用举例
14.2.2 sklearn中的分类方法使用举例
14.2.3 Python下的深度学习编程举例
14.2.4 国内研发的深度学习平台简介
14.3 MATLAB中的模式识别工具包
14.3.1 MATLAB中的回归方法使用举例
14.3.2 MATLAB中的分类方法使用举例
14.4 R中的模式识别工具包
14.4.1 R中的回归方法使用举例
14.4.2 R中的分类方法使用举例
14.5 讨论

第15章 讨论：模式识别、机器学习与人工智能
15.1 模式识别
15.2 机器学习
15.3 多元分析
15.4 人工智能
15.5 展望

参考文献
后记
索引