機器學習與視覺感知(第2版)（簡體書）

《機器學習與視覺感知（第2版）》分為基礎篇和高級篇。基礎篇介紹機器學習的主要原理和方法、以及最近幾年來的新進展，包括機器學習的發展史、決策樹學習、PAC模型、貝葉斯學習、支持向量機、AdaBoost、壓縮感知、子空間、深度學習與神經網絡、MCNs、強化學習等內容。在高級篇部分，主要介紹一下作者多年來在機器學習與視覺感知方面的研究成果，包括HGPP、LDP、KBP、高階差分碼、Kernel Learning、Bag of Feature model等方法原理闡述與應用。

張寶昌， 北京航空航天大學自動化學院長聘副教授，特聘研究員。2001-2006年，中國科學院，中科院聯合實驗室(jdl)2007年優秀論文提名獎。2006-2007,先後在香港中文大學、澳大利亞Griffith University從事研究工作，主要的研究方向為人臉識別、視頻理解、機器學習。2008.3-，北航自動化學院，主講“模式識別與機器學習”“現代控制導論”“機器學習理論與應用”“圖像處理系列實驗”等課程。自獲得博士學位(2007年)以來發表論文40餘篇，其中SCI(SCI)檢索期刊12篇（其中1篇錄用待檢索），EI檢索16篇，在SCI網絡版他引次數155次。

本書從易於學生學習的角度逐步講解了諸如決策樹學習、貝葉斯學習、支持向量機、壓縮感知、調製壓縮神經網絡以及深度學習等知識，書中加入了大量的例子來實現算法，使得讀者可以在學習示例的基礎上去學習算法和理論。本書把*的機器學習領域的成果進行了介紹，對作者多年來的研究成果也進行了總結。由於作者在人臉識別、鐵路圖像檢測方面進行了多年的研究，該書對於該領域的研究人員具有一定的啟發作用。

第1章 機器學習的發展史
引言
1．1 機器學習
1．1．1 基本簡介
1．1．2 機器學習的定義和研究意義
1．1．3 機器學習的發展史
1．1．4 機器學習的主要策略
1．1．5 機器學習系統的基本結構
1．1．6 機器學習的分類
1．1．7 目前研究領域
1．2 統計模式識別問題
1．2．1 機器學習問題的表示
1．2．2 經驗風險最小化
1．2．3 複雜性與推廣能力
1．3 統計學習理論的核心內容
1．3．1 學習過程一致性的條件
1．3．2 推廣性的界
1．3．3 結構風險最小化
小結

第2章 PAC模型
引言
2．1 基本的PAC模型
2．1．1 PAC簡介
2．1．2 基本概念
2．1．3 問題框架
2．2 PAC模型樣本複雜度分析
2．2．1 有限空間樣本複雜度
2．2．2 無限空間樣本複雜度
小結

第3章 決策樹學習
引言
3．1 決策樹學習概述
3．1．1 決策樹
3．1．2 性質
3．1．3 應用
3．1．4 學習
3．2 決策樹設計
3．2．1 決策樹的特點
3．2．2 決策樹的生成
小結

第4章 貝葉斯學習
引言
4．1 貝葉斯學習
4．1．1 貝葉斯公式
4．1．2 最小誤差決策
4．1．3 正態密度
4．1．4 最大似然估計
4．2 樸素貝葉斯原理及應用
4．2．1 貝葉斯最佳假設原理
4．2．2 Naive Bayes分類
4．2．3 基於Naive Bayes的文本分類器
4．3 HMM（隱性馬氏模型）及應用
4．3．1 馬爾科夫性
4．3．2 馬爾科夫鏈
4．3．3 轉移概率矩陣
4．3．4 HMM（隱性馬爾科夫模型）及應用
小結

第5章 支持向量機
引言
5．1 支持向量機
5．2 支持向量機的核函數選擇
5．3 支持向量機的實例
5．4 多類支持向量機
小結
……
第6章 AdaBoost
第7章 壓縮感知
第8章 子空間
第9章 深度學習與神經網絡
第10章 調製卷積神經網絡（MCN）
第11章 強化學習
參考文獻 More