模式識別與機器學習技術（簡體書）

模式識別與機器學習是計算機科學與技術的重要研究內容之一。本書較為全面地論述了模式識別與機器學習的基本概念、基礎原理、基本方法和基本技術，強調理論和實際相結合，儘量避免涉及繁瑣的數學推導。力求通俗易懂，深入淺出，注重實用。目的是讓使用者掌握模式識別與機器學習的基本知識，並能運用所學知識解決實際應用的問題。為研究新的模式識別與機器學習的理論和方法打下基礎。本書首先講解了貝葉斯分類、支持向量機和人工神經網絡等常見的機器學習算法，簡要講解了深度學習常見的模型和計算機視覺的基本知識。詳細介紹了基於卷積神經網絡的樹木識別和基於對抗生成網絡的玉米病害圖像生成的實際應用案例。最後介紹了模式識別與機器學習涉及到的數學基礎知識。書中配有模式識別與機器學習相應算法的Python源代碼。本書適合計算機科學與技術、數據科學與技術等相關專業的研究生和本科生使用，也可供從事農業大數據研究工作等相關人員參考。

牟少敏，男，山東農業大學，博士，教授，碩士研究生導師，2000年山東科技大學計算機應用技術專業碩士研究生畢業，2008年北京交通大學計算機應用技術專業博士研究生畢業。山東省人工智能學會常務理事，山東省大數據標準化技術委員會委員。主要從事機器學習、模式識別、計算機視覺和大數據技術的研究及其在農業等領域的應用。近年來，先後參加了國家973計劃子課題-非結構化數據的數學建模與機器學習；國家自然科學基金項目基於限制性貝葉斯網絡的學習技術研究；國家自然科學基金項目智能網絡安全防禦系統關鍵技術的研究；國家世界銀行貸款項目農田景觀主要作物病蟲害生態治理技術研究；山東省科技廳項目農業信息化關鍵技術應用-蘋果產業技術信息化服務平臺研發。主持和參加山東省自然基金以及省級科研項目多項。在《ExpertSystemsWithApplications》、《NeuroComputing》、《InternationalJournalofFuzzySystems》、《電子學報》，《華東昆蟲學報》等國外著名雜誌和國內核心期刊上發表論文50多篇，其中被SCI、EI和ISTP收錄30篇。曾獲得山東省科技進步獎二等獎2項，山東省省科技進步獎三等獎2項。主持和參加山東省教育廳教改項目2項，國家SRT項目圖像測量技術及其在小麥根系上應用的研究的指導老師。2019年6月出版專著1部-機器學習與大數據技術，人民郵電出版社出版。

目錄第1章模式識別與機器學習.................................................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模式識別基本問題.................................................................................1.1.6模式識別基本準則.................................................................................1.2機器學習........................................................................................................
1.2.1簡介.....................................................................................................1.2.2機器學習的分類...................................................................................1.2.3深度學習..............................................................................................
1.3機器學習與模式識別算法評價指標..................................................................1.4K近鄰...........................................................................................................1.5頂級會議和期刊..............................................................................................
1.5.1頂級會議...............................................................................................1.5.2頂級期刊...............................................................................................第2章判別函數...........................................................
2.1判別函數........................................................................................................2.1.1線性判別函數........................................................................................2.1.2非線性判別函數...................................................................................
2.2Fisher線性判別函數.........................................................................................第3章特徵提取與選擇.....................................................3.1簡介..............................................................................................................
3.2基本概念........................................................................................................3.3類別可分性判據..............................................................................................3.3.1基於距離的可分性判據..........................................................................
3.3.2基於概率分佈的可分性判據...................................................................3.4主成分分析.....................................................................................................3.4.1簡介......................................................................................................
3.4.2基本原理...............................................................................................3.4.3具體步驟...............................................................................................3.4.4應用舉例...............................................................................................
3.5圖像特徵........................................................................................................第4章貝葉斯分類........................................................4.1簡介...............................................................................................................
4.1.1相關統計概念........................................................................................4.1.2貝葉斯定理定理....................................................................................4.2貝葉斯分類....................................................................................................
4.3樸素貝葉斯分類..............................................................................................4.3.1簡介.....................................................................................................4.3.2基本原理..............................................................................................
4.4基於Python的樸素貝葉斯分類實現................................................................4.5貝葉斯網絡.....................................................................................................第5章聚類分析...........................................................
5.1聚類概念........................................................................................................5.2聚類算法分類.................................................................................................5.3相似性度量.....................................................................................................
5.4聚類準則........................................................................................................5.5C-means聚類...................................................................................................5.5.1簡介......................................................................................................
5.5.2基本原理...............................................................................................5.5.3C均值算法的優缺點.............................................................................5.6模糊模式識別.................................................................................................
5.6.1簡介......................................................................................................5.6.2相關概念...............................................................................................5.6.3模糊集合的運算....................................................................................
5.6.4模糊C均值聚類....................................................................................第6章支持向量機.........................................................6.1簡介...............................................................................................................
6.2VC維與結構風險最小化.................................................................................6.3基本原理.......................................................................................................6.4核函數............................................................................................................
6.4.1簡介......................................................................................................6.4.2結構數據的核函數.................................................................................6.5多類支持向量機.............................................................................................
6.5.1一對一支持向量機.................................................................................6.5.2一對多支持向量機................................................................................6.5.3二叉樹支持向量機.................................................................................
6.5.4有向無環圖支持向量機..........................................................................6.6單類支持向量機.............................................................................................6.6.1基於密度單類支持向量機.....................................................................
6.6.2基於邊界單類支持向量機.....................................................................6.7基於增量學習的支持向量機...........................................................................6.8基於python的支持向量機的實現....................................................................
第7章人工神經網絡......................................................7.1簡介...............................................................................................................7.1.1發展過程...............................................................................................
7.1.2人工神經元..........................................................................................7.1.3人工神經網絡特點................................................................................7.1.4人工神經網絡分類.................................................................................
7.1.5激活函數...............................................................................................7.2感知器............................................................................................................7.3BP神經網絡...................................................................................................
7.4RBF神經網絡..................................................................................................7.5Hopfield網絡..................................................................................................7.5.1離散Hopfield神經網絡..........................................................................
7.5.2連續型Hopfield神經網絡......................................................................7.6幾種深度學習網絡.........................................................................................第8章機器學習與模式識別應用---以農業為例................................8.1簡介...............................................................................................................
8.2計算機視覺.....................................................................................................8.3計算機視覺在農業中的應用............................................................................8.4基於深度學習的泰山樹木分類病害識別..........................................................
8.5基於GAN的小麥葉部病害圖像生成................................................................第9章線性代數...........................................................9.1標量與向量....................................................................................................
9.1.1定義......................................................................................................9.1.2常見的向量...........................................................................................9.2向量運算.......................................................................................................
9.3線性方程組和行列式......................................................................................9.4矩陣..............................................................................................................9.4.1基本概念...............................................................................................
9.4.2特殊矩陣...............................................................................................9.4.3矩陣運算...............................................................................................9.4.4初等變換...............................................................................................
9.4.5矩陣的秩...............................................................................................9.4.6矩陣與向量的關係.................................................................................9.5特徵值和特徵向量.........................................................................................
9.5.1定義......................................................................................................9.5.2基本性質...............................................................................................9.6矩陣的分解...................................................................................................
9.7張量..............................................................................................................第10章概率論與數理統計...................................................10.1隨機事件......................................................................................................
10.1.1隨機現象.............................................................................................10.1.2隨機事件.............................................................................................10.1.3事件關係.............................................................................................
10.1.4事件運算.............................................................................................10.2概率..............................................................................................................10.2.1定義....................................................................................................
10.2.2條件概率.............................................................................................10.2.3先驗概率和後驗概率...........................................................................10.2.4事件獨立性.........................................................................................
10.3隨機變量及其分佈........................................................................................10.3.1隨機變量的定義..................................................................................10.3.2分佈函數.............................................................................................
10.4隨機變量的數字特徵....................................................................................10.4.1數學期望.............................................................................................10.4.2方差及標準差......................................................................................
10.4.3分位數................................................................................................10.4.4協方差與協方差矩陣...........................................................................10.4.5變異係數.............................................................................................
10.4.6相關係數.............................................................................................10.5常見的分佈..................................................................................................10.5.1二項分佈.............................................................................................
10.5.2泊松分佈.............................................................................................10.5.3正態分佈.............................................................................................10.5.4均勻分佈.............................................................................................
10.5.5指數分佈.............................................................................................10.6多元隨機變量及其分佈.................................................................................10.6.1二元隨機變量及其分佈函數.................................................................
10.6.3邊緣分佈.............................................................................................10.6.3條件分佈.............................................................................................10.7數理統計.......................................................................................................
10.7.1統計量及其分佈..................................................................................10.7.2參數估計.............................................................................................10.7.3單因素方差分析..................................................................................
10.7.4回歸分析與最小二乘法........................................................................第11章最優化理論與信息論.................................................11.1最優化問題的描述........................................................................................11.2對偶理論......................................................................................................
11.3常用的優化算法...........................................................................................11.3.1最速下降法..........................................................................................11.3.2牛頓法.................................................................................................
11.3.3共軛梯度法..........................................................................................11.4信息論基礎...................................................................................................11.4.1信息概念.............................................................................................
11.4.2自信息和信息熵...................................................................................11.4.3聯合熵與條件熵...................................................................................11.4.4互信息和平均互信息............................................................................
參考文獻..............................................................................................................