模式識別與機器學(xué)習技術(shù)簡(jiǎn)介，目錄書(shū)摘
2019-12-10 17:06
來(lái)源：京東
作者：京東
模式識別與機器學(xué)習技術(shù)
暫無(wú)報價(jià)
1評論
100%好評
編輯推薦:
內容簡(jiǎn)介: 模式識別與機器學(xué)習是計算機科學(xué)與技術(shù)的重要研究?jì)热葜弧?
《模式識別與機器學(xué)習技術(shù)》首先講解了貝葉斯分類(lèi)、支持向量機和人工神經(jīng)網(wǎng)絡(luò )等常用的機器學(xué)習算法，并對結構數據的核函數和增量支持向量機算法進(jìn)行了全面綜述，講解了深度學(xué)習新的模型和計算機視覺(jué)的基本知識。以農業(yè)為應用場(chǎng)景，結合作者的科研工作，詳細介紹了基于卷積神經(jīng)網(wǎng)絡(luò )的樹(shù)木識別和基于對抗生成網(wǎng)絡(luò )的玉米病害圖像生成的實(shí)際應用案例。后介紹了模式識別與機器學(xué)習涉及的數學(xué)基礎。書(shū)中配有模式識別與機器學(xué)習相應算法的Python源代碼。
《模式識別與機器學(xué)習技術(shù)》適合計算機科學(xué)與技術(shù)、數據科學(xué)與技術(shù)等相關(guān)專(zhuān)業(yè)的研究生和本科生使用，也可供從事農業(yè)大數據研究工作等相關(guān)人員參考。
《模式識別與機器學(xué)習技術(shù)》首先講解了貝葉斯分類(lèi)、支持向量機和人工神經(jīng)網(wǎng)絡(luò )等常用的機器學(xué)習算法，并對結構數據的核函數和增量支持向量機算法進(jìn)行了全面綜述，講解了深度學(xué)習新的模型和計算機視覺(jué)的基本知識。以農業(yè)為應用場(chǎng)景，結合作者的科研工作，詳細介紹了基于卷積神經(jīng)網(wǎng)絡(luò )的樹(shù)木識別和基于對抗生成網(wǎng)絡(luò )的玉米病害圖像生成的實(shí)際應用案例。后介紹了模式識別與機器學(xué)習涉及的數學(xué)基礎。書(shū)中配有模式識別與機器學(xué)習相應算法的Python源代碼。
《模式識別與機器學(xué)習技術(shù)》適合計算機科學(xué)與技術(shù)、數據科學(xué)與技術(shù)等相關(guān)專(zhuān)業(yè)的研究生和本科生使用，也可供從事農業(yè)大數據研究工作等相關(guān)人員參考。
作者簡(jiǎn)介:
目錄:1 模式識別與機器學(xué)習基本概念
1．1 模式識別
1．1．1 基本概念
1．1．2 模式識別應用
1．1．3 模式識別系統
1．1．4 模式識別基本方法
1．1．5 模式識別基本問(wèn)題
1．1．6 模式識別基本準則
1．2 機器學(xué)習
1．2．1 簡(jiǎn)介
1．2．2 機器學(xué)習的分類(lèi)
1．2．3 深度學(xué)習
1．3 機器學(xué)習與模式識別算法評價(jià)指標
1．3．1 查全率與準確率
1．3．2 交叉驗證
1．3．3 混淆矩陣
1．4 K近鄰算法
1．5 頂級會(huì )議和期刊
1．5．1 頂級會(huì )議
1．5．2 頂級期刊
1．5．3 國內重要期刊
2 判別函數
2．1 判別函數
2．1．1 線(xiàn)性判別函數
2．1．2 非線(xiàn)性判別函數
2．2 Fisher線(xiàn)性判別函數
3 特征提取與選擇
3．1 簡(jiǎn)介
3．2 基本概念
3．3 類(lèi)別可分性判據
3．3．1 基于距離的可分性判據
3．3．2 基于概率分布的可分性判據
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(lèi)
4．1 簡(jiǎn)介
4．1．1 相關(guān)統計概念
4．1．2 貝葉斯定理
4．2 貝葉斯分類(lèi)
4．3 樸素貝葉斯分類(lèi)
4．3．1 簡(jiǎn)介
4．3．2 基本原理
4．3．3 分類(lèi)舉例
4．4 貝葉斯網(wǎng)絡(luò )
4．4．1 結構形式1
4．4．2 結構形式2
4．4．3 結構形式3
4．4．4 舉例
4．5 基于Python的樸素貝葉斯分類(lèi)實(shí)現
5 聚類(lèi)分析
5．1 聚類(lèi)概念
5．2 聚類(lèi)算法分類(lèi)
5．3 相似性度量
5．4 聚類(lèi)準則
……
6 支持向量機
7 人工神經(jīng)網(wǎng)絡(luò )
8 機器學(xué)習與模式識別應用——以農業(yè)為例
9 線(xiàn)性代數
10 概論論與數理統計
11 最優(yōu)化理論與信息論
參考文獻
1．1 模式識別
1．1．1 基本概念
1．1．2 模式識別應用
1．1．3 模式識別系統
1．1．4 模式識別基本方法
1．1．5 模式識別基本問(wèn)題
1．1．6 模式識別基本準則
1．2 機器學(xué)習
1．2．1 簡(jiǎn)介
1．2．2 機器學(xué)習的分類(lèi)
1．2．3 深度學(xué)習
1．3 機器學(xué)習與模式識別算法評價(jià)指標
1．3．1 查全率與準確率
1．3．2 交叉驗證
1．3．3 混淆矩陣
1．4 K近鄰算法
1．5 頂級會(huì )議和期刊
1．5．1 頂級會(huì )議
1．5．2 頂級期刊
1．5．3 國內重要期刊
2 判別函數
2．1 判別函數
2．1．1 線(xiàn)性判別函數
2．1．2 非線(xiàn)性判別函數
2．2 Fisher線(xiàn)性判別函數
3 特征提取與選擇
3．1 簡(jiǎn)介
3．2 基本概念
3．3 類(lèi)別可分性判據
3．3．1 基于距離的可分性判據
3．3．2 基于概率分布的可分性判據
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(lèi)
4．1 簡(jiǎn)介
4．1．1 相關(guān)統計概念
4．1．2 貝葉斯定理
4．2 貝葉斯分類(lèi)
4．3 樸素貝葉斯分類(lèi)
4．3．1 簡(jiǎn)介
4．3．2 基本原理
4．3．3 分類(lèi)舉例
4．4 貝葉斯網(wǎng)絡(luò )
4．4．1 結構形式1
4．4．2 結構形式2
4．4．3 結構形式3
4．4．4 舉例
4．5 基于Python的樸素貝葉斯分類(lèi)實(shí)現
5 聚類(lèi)分析
5．1 聚類(lèi)概念
5．2 聚類(lèi)算法分類(lèi)
5．3 相似性度量
5．4 聚類(lèi)準則
……
6 支持向量機
7 人工神經(jīng)網(wǎng)絡(luò )
8 機器學(xué)習與模式識別應用——以農業(yè)為例
9 線(xiàn)性代數
10 概論論與數理統計
11 最優(yōu)化理論與信息論
參考文獻
熱門(mén)推薦文章
相關(guān)優(yōu)評榜
1
杰士派
相關(guān)排行榜
相關(guān)產(chǎn)品
4
巴拉特
8
光傳感器
10
激光光學(xué)
12
自動(dòng)化貼標機
13
模型檢測
14
操控工業(yè)機器人
15
自動(dòng)化基礎
17
自動(dòng)化設備
19
低碳生活讀本
20
西門(mén)子1500
21
綜合自動(dòng)化
22
京公網(wǎng)安備 11000002000088號
