模式识别和机器学习是人工智能应用的基础。本书将模式识别任务按照监督学习和无监督学习两种方式进行组织。第1章讨论模式识别和机器学习的内在关系，介绍了两者的基础知识和模式识别的设计过程。第2章和第3章介绍了zui优化的和常规的基于实例的分类问题。第4~6章检验了参数的、非参数的和函数逼近的分类规则。之后在第7章和第8章就分类的误差估计和模型选择对分类模型的性能进行讨论。第9章介绍了能够提高分类模型的性能并减少存储空间的降维技术。第10章和第11章分别介绍了聚类分析技术和回归模型。本书适合相关专业高年级本科生和研究生，以及该领域的从业人员阅读。

目录


Fundamentals of Pattern Recognition and Machine Learning


译者序

前言
第1章概述111模式识别与机器学习1

12数学基础设置1

13预测2

14预测误差2

15监督学习与无监督学习3

16复杂性权衡3

17设计周期4

18应用实例5

181生物信息学5

182材料信息学7

19文献注释9
第2章最优分类1021无特征分类10

22有特征分类10

23贝叶斯分类器13

24贝叶斯误差16

25高斯模型19

251同方差情况20

252异方差情况22

26其他主题22

261极小极大分类22

262F误差24

263贝叶斯决策理论26

*264分类问题的严格表达27

27文献注释28

28练习29

29Python作业33
第3章基于实例的分类3631分类规则36

32分类错误率38

*33一致性38

34没有免费午餐定理41

35其他主题42

351集成分类42

352混合抽样与独立抽样43

36文献注释44

37练习44

38Python作业45
第4章参数分类4741参数替换规则47

42高斯判别分析48

421线性判别分析48

422二次判别分析51

43逻辑斯谛分类53

44其他主题54

441正则化判别分析54

*442参数规则的一致性55

443贝叶斯参数规则57

45文献注释59

46练习60

47Python作业62
第5章非参数分类6451非参数替换规则64

52直方图分类65

53最近邻分类66

54核分类68

55CoverHart定理70

*56Stone定理73

57文献注释74

58练习75

59Python作业76
第6章函数逼近分类7861支持向量机78

611可分数据的线性支持
向量机78

612一般线性支持向量机80

613非线性支持向量机82

62神经网络86

621反向传播训练89

622卷积神经网络92

*623神经网络的普遍逼近
性质94

624普遍一致性定理96

63决策树97

64有序分类器100

65文献注释101

66练习102

67Python作业104
第7章分类误差估计10871误差估计规则108

72误差估计性能109

721偏差分布109

722偏差、方差、均方根和
尾概率110

*723一致性111

73测试集误差估计112

74再代入误差估计113

75交叉验证114

76自助方法116

77增强误差估计118

78其他主题121

781凸误差估计器121

782平滑误差估计器123

783贝叶斯误差估计123

79文献注释126

710练习127

711Python作业129
第8章分类模型选择13181分类复杂性131

82VapnikChervonenkis理论134

*821有限模型选择134

822打散系数与VC维度135

823几种分类规则中的VC
参数136

824VapnikChervonenkis
定理139

825没有免费午餐定理139

83模型选择方法140

831验证误差最小化140

832训练集误差最小化141

833结构性风险最小化141

84文献注释142

85练习143
第9章降维14591面向分类任务的特征提取145

92特征选择146

921穷举搜索146

922单变量贪婪搜索147

923多变量贪婪搜索149

924特征选择与分类复杂性150

925特征选择与误差估计150

93主成分分析152

94多维缩放155

95因子分析156

96文献注释158

97练习159

98Python作业160
第10章聚类162101KMeans算法162

102高斯混合模型165

1021期望最大化方法166

1022与KMeans的关系170

103层次聚类171

104自组织映射173

105文献注释174

106练习175

107Python作业176
第11章回归178111最优回归178

112基于样本的回归181

113参数回归182

1131线性回归183

1132高斯马尔可夫定理185

1133补偿最小二乘法186

114非参数回归187

1141核回归187

1142高斯过程回归188

115函数近似回归194

116误差估计195

117变量选择196

1171Wrapper 搜索196

1172统计检验196

1173LASSO和 Elastic Net196

118模型选择197

119文献注释197

1110练习198

1111Python作业200
附录202

参考文献235