産品特色

內容簡介

　　《視覺機器學習20講》是計算機、自動化、信息、電子與通信學科方嚮的專著，詳盡地介紹瞭K-Means、KNN學習、迴歸學習、決策樹學習、RandomForest、貝葉斯學習、EM算法、Adaboost、SVM方法、增強學習、流形學習、RBF學習、稀疏錶示、字典學習、BP學習、CNN學習、RBM學習、深度學習、遺傳算法、蟻群方法等基本理論；深入闡述瞭視覺機器學習算法的優化方法和實驗仿真；係統地總結瞭其優點和不足。
　　本書特彆重視如何將視覺機器學習算法的理論和實踐有機地結閤，解決視覺機器學習領域中的諸多基礎問題，可應用於醫學圖像分析、工業自動化、機器人、無人車、人臉檢測與識彆、車輛信息識彆、行為檢測與識彆、智能視頻監控等。本書特彆重視算法的典型性和可實現性，既包含本領域的經典算法，也包含本領域的研究成果。
　　本書不僅可作為高年級本科生與研究生教材，而且也是從事視覺機器學習領域研發極為有用的參考資料。

內頁插圖

目錄

緒論
第1講 K-means
1.1 基本原理
1.2 算法改進
1.3 仿真實驗
1.4 算法特點
第 2 講 KNN學習
2.1 基本原理
2.2 算法改進
2.3 仿真實驗
2.4 算法特點
第 3 講 迴歸學習
3.1 基本原理
3.1.1 參數迴歸
3.1.2 非參數迴歸
3.1.3 半參數迴歸
3.2 算法改進
3.2.1 綫性迴歸模型
3.2.2 多項式迴歸模型
3.2.3 主成分迴歸模型
3.2.4 自迴歸模型
3.2.5 核迴歸模型
3.3 仿真實驗
3.3.1 迴歸學習流程
3.3.2 基於迴歸學習的直綫邊緣提取
3.3.3 基於迴歸學習的圖像插值
3.4 算法特點
第 4 講 決策樹學習
4.1 基本原理
4.1.1 分類與聚類
4.1.2 決策樹
4.1.3 信息增益的度量標準
4.1.4 信息增益度量期望的熵降低
4.1.5 悲觀錯誤剪枝PEP
4.1.6 基本決策樹算法
4.2 算法改進
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 SLIQ算法
4.2.4 SPRINT算法
4.3 仿真實驗
4.3.1 用於學習布爾函數的ID3算法僞代碼
4.3.2 C4.5算法構造決策樹的僞代碼
4.4 算法特點
第 5 講 Random Forest學習
5.1 基本原理
5.1.1 決策樹
5.1.2 Bagging集成學習
5.1.3 Random Forest方法
5.2 算法改進
5.3 仿真實驗
5.3.1 Random Forest分類與迴歸流程
5.3.2 Forest-RI和Forest-RC
5.3.3 基於Random Forest的頭部姿態估計
5.4 算法特點
第 6 講 貝葉斯學習
6.1 基本原理
6.2 算法改進
6.2.1 樸素貝葉斯模型
6.2.2 層級貝葉斯模型
6.2.3 增廣貝葉斯學習模型
6.2.4 基於Boosting技術的樸素貝葉斯模型
6.2.5 貝葉斯神經網絡模型
6.3 仿真實驗
6.3.1 Learn_Bayse(X,V)
6.3.2 Classify_Bayse(X)
6.4 算法特點
第 7 講 EM算法
7.1 基本原理
7.2 算法改進
7.2.1 EM算法的快速計算
7.2.2 未知分布函數的選取
7.2.3 EM算法收斂性的改進
7.3 仿真實驗
7.3.1 EM算法流程
7.3.2 EM算法的僞代碼
7.3.3 EM算法應用--高斯混閤模型
7.4 算法特點
第 8 講 Adaboost
8.1 基本原理
8.1.1 Boosting方法
8.1.2 Adaboost方法
8.2 算法改進
8.2.1 權值更新方法的改進
8.2.2 Adaboost並行算法
8.3 仿真實驗
8.3.1 Adaboost算法實現流程
8.3.2 Adaboost算法示例
8.4 算法特點
8.4.1 Adaboost算法的優點
8.4.2 Adaboost算法的缺點
第 9 講 SVM方法
9.1 基本原理
9.2 算法改進
9.3 仿真實驗
9.4 算法特點
第 10 講 增強學習
10.1 基本原理
10.2 算法改進
10.2.1 部分感知模型
10.2.2 增強學習中的函數估計
10.2.3 分層增強學習
10.2.4 多Agent增強學習
10.3 仿真實驗
10.4 算法特點
第 11 講 流形學習
11.1 算法原理
11.1.1 ISOMAP
11.1.2 LLE
11.1.3 LE
11.1.4 HE
11.2 算法改進
11.2.1 LPP
11.2.2 MFA
11.3 算法仿真
11.4 算法特點
第 12 講 RBF學習
12.1 基本原理
12.1.1 基於RBF函數的內插方法
12.1.2 RBF神經網絡
12.1.3 數據中心的計算方法
12.2 算法改進
12.2.1 針對完全內插問題的改進方法
12.2.2 針對不適定問題的改進方法
12.2.3 廣義RBF神經網絡
12.3 仿真實驗
12.3.1 基於高斯函數的RBF學習
12.3.2 RBF學習算法流程
12.4 算法特點
第 13 講 稀疏錶示
13.1 基本原理
13.1.1 信號稀疏錶示
13.1.2 貪婪求解算法
13.1.3 凸優化求解算法
13.2 算法改進
13.2.1 組閤Lasso（Group Lasso）
13.2.2 混閤Lasso（Fused Lasso）
13.2.3 彈性網絡（Elastic net）
13.3 仿真實驗
13.3.1 OMP算法
13.3.2 APG算法
13.3.3 基於稀疏錶示的人臉識彆
13.4 算法特點
13.4.1 算法優點
13.4.2 算法缺點
第 14 講 字典學習
14.1 基本原理
14.2 算法改進
14.2.1 最優方嚮法（MOD）
14.2.2 K-SVD法
14.2.3 在綫字典學習法
14.3 仿真實驗
14.3 基於字典學習的視頻圖像降噪方法
14.4 算法特點
14.4.1 算法優點
14.4.2 算法缺點
第 15 講 BP學習
15.1 基本原理
15.1.1 人工神經網絡
15.1.2 BP學習原理
15.2 算法改進
15.2.1 改進學習速率
15.2.2 改進訓練樣本
15.2.3 改進損失函數
15.2.4 改進連接方式
15.3 仿真實驗
15.4 算法特點
第 16 講 CNN學習
16.1 基本原理
16.1.1 神經認知機模型
16.1.2 CNN算法思想
16.1.3 CNN網絡結構
16.1.4 CNN網絡學習
16.2 算法改進
16.2.1 設計新的捲積神經網絡訓練策略
16.2.2 使用GPU加速捲積運算過程
16.2.3 使用並行計算提高網絡訓練和測試速度
16.2.4 采用分布式計算提高網絡訓練和測試速度
16.2.5 硬件化捲積神經網絡
16.3 仿真實驗
16.3.1 捲積神經網絡訓練算法仿真
16.3.2 捲積神經網絡實際應用實例
16.4 算法特點
16.4.1 算法優點
16.4.2 算法缺點
第 17 講 RBM學習
17.1 基本原理
17.1.1 RBM學習思想
17.1.2 RBM模型基礎
17.1.3 RBM模型學習
17.2 算法改進
17.2.1 方差RBM
17.2.2 均值方差RBM
17.2.3 稀疏RBM
17.2.4 稀疏組RBM
17.2.5 分類RBM
17.3 仿真實驗
17.4 算法特點
17.4.1 算法優點
17.4.2 算法缺點
第 18 講 深度學習
18.1 基本原理
18.2 算法改進
18.3 仿真實驗
18.4 算法特點
第 19 講 遺傳算法
19.1 算法原理
19.2 算法改進
19.2.1 適應度函數設計
19.2.2 初始群體的選取
19.3 算法仿真
19.3.1 圖像預處理
19.3.2 車牌特徵選取
19.3.3 基於遺傳算法的車牌定位
19.4 算法特點
19.4.1 遺傳算法的優點
19.4.2 遺傳算法的不足
第 20 講 蟻群方法
20.1 基本原理
20.1.1 群智能
20.1.2 螞蟻尋找食物源方法
20.1.3 蟻群算法的規則
20.1.4 蟻群算法的實現
20.2 算法改進
20.2.1 基於遺傳學的改進蟻群算法
20.2.2 蟻群係統
20.2.3 精英蟻群係統
20.2.4 最大最小蟻群係統
20.2.5 排序蟻群係統
20.2.6 最優-最差螞蟻係統
20.3 仿真實驗
20.3.1 蟻群算法實例
20.3.2 蟻群算法實現流程
20.3.3 蟻群算法僞代碼
20.4 算法特點

前言/序言

　　在新加坡國立大學訪問期間，我經常和興軍亮博士、張立寜博士、方宇強博士、譚筠博士等討論，談到視覺機器學習非常有用，但是很難找到稱心如意的參考資料，網絡上相關資源不少，但是有的泛泛而談，有的空洞無味，有的實例無法運行，有的效率很低，有的缺乏實驗數據……曾經甚是苦悶，迴過頭來思考，大傢或多或少都有些酸甜苦辣的經驗和教訓。我提議大傢就常用視覺機器學習方法，貢獻齣自己的收獲，獲得大傢一緻贊同。於是我們在多次會議討論之後，形成視覺機器學習20講的提綱，大傢分頭撰寫，然後由我來統稿、修改和完善。經過近一年的努力，終於開花結果，真心希望這本讀書筆記和心得體會能夠讓同道中人少些奔走，免除去粗取精、去僞存真的勞苦，熟悉算法的來源、發展和所以然，掌握算法的改進方法、實驗仿真流程、源代碼和視頻庫，使得研究人員和學生們盡快上手，樹立深入研究的信心。
　　本書是視覺機器學習領域的12位博士多年研究視覺機器學習的基礎理論、核心算法、關鍵技術和應用實踐的科學結晶，是作者們多年相關科研實踐的心得體會和係統總結。包括K-Means、KNN學習、迴歸學習、決策樹學習、Random Forest、貝葉斯學習、EM方法、AdaBoost、SVM方法、增強學習、流形學習、RBF學習、稀疏錶示、字典學習、BP學習、CNN學習、RBM學習、深度學習、遺傳方法、粒子群方法、蟻群方法共20個常用視覺機器學習方法。人們對其進行瞭深入淺齣的闡述，以簡單明瞭、豐富圖錶、解釋代碼、麵嚮應用、服務研究生等為宗旨，從基本原理、實現方法、改進方法、仿真流程、核心代碼、源程序、實驗數據等方麵重點展開，適閤於從事醫學圖像分析、工業自動化、機器人、無人車、人臉檢測與識彆、車輛信息識彆、行為檢測與識彆、智能視頻監控等領域的研究生和技術人員學習參考。
　　本書章節安排
　　全書共1個緒論，20講內容，各章內容編寫安排如下：
　　緒論（謝劍斌博士）；
　　第1講 K-Means（方宇強博士）；
　　第2講 KNN學習（謝劍斌博士）；
　　第3講 迴歸學習（閆瑋博士）；
　　第4講 決策樹學習（謝劍斌博士）；
　　第5講 Random Forest（張政博士）；
　　第6講 貝葉斯學習（劉通博士）；
　　第7講 EM算法（王勇博士）；
　　第8講 Adaboost（鬍俊博士）；
　　第9講 SVM方法（張立寜博士）；
　　第10講 增強學習（李沛秦博士）；
　　第11講 流形學習（張立寜博士）；
　　第12講 RBF學習（謝劍斌博士）；
　　第13講 稀疏錶示（方宇強博士）；
　　第14講 字典學習（方宇強博士）；
　　第15講 BP學習（興軍亮博士）；
　　第16講 CNN學習（興軍亮博士）；
　　第17講 RBM學習（興軍亮博士）；
　　第18講 深度學習（興軍亮博士）；
　　第19講 遺傳算法（張立寜博士）；
　　第20講 蟻群方法（謝劍斌博士）；
　　瀋傑博士、譚筠博士在實驗仿真方麵做瞭很多工作。
　　本書還提供瞭實驗仿真源代碼資源下載。
　　本書由國防科技大學電子科學與工程學院數字視頻課題組組稿，謝劍斌教授負責全書審核。在編著過程中得到瞭國防科技大學莊釗文教授、唐朝京教授的大力支持，穆春迪、劉雙亞、李潤華等為本書編著做瞭大量工作，在此一並緻謝！由於時間有限，參與作者較多，可能沒有列全參考文獻，請讀者或相關作者來信告知，在提供配套資源的網站和再版時加入並緻謝。
　　編者

還是很不錯，不過不是個初學者啦

案例豐富，值得推薦

物流快，印刷精美，內容有待鑽研。

孩子很喜歡，不錯的東西

好吧～～～～～～～便宜嘛

送貨速度快，産品質量好～

還好吧，挺不錯的，挺好的

挺好的書，很不錯，值得買

一般般吧，還可以，迴頭仔細研究之後再追評吧。物流挺快的，很給力。一大早就到瞭，很滿意物流。