机器学习与视觉感知2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

机器学习与视觉感知PDF格式电子书版下载

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

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 AdaBoost59

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AutoEncoder91

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-Learning102

10.2.8 Q学习算法的改进103

10.3 程序实现105

参考文献109