機器學習與視覺感知

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復雜性與推廣能力
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
2.1.1PAC簡介
2.1.2基本概念
2.1.3問題框架
2.2PAC模型樣本復雜度分析
2.2.1有限空間樣本復雜度
2.2.2無限空間樣本復雜度
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
4.1.5實驗結果
4.2朴素貝葉斯原理及應用
4.2.1貝葉斯最佳假設原理
4.2.2NaiveBayes分類
4.2.3基於NaiveBayes的文本分類器
4.3HMM（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
4.3.4HMM（隱性馬氏模型）及應用
小結

第5章 支持向量機
引言
5.1支持向量機
5.2支持向量機的實現算法
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
引言
6.1AdaBoost與目標檢測
6.1.1AdaBoost算法
6.1.2初始化
6.2具有強魯棒性的實時目標檢測
6.2.1矩形特征選取
6.2.2積分圖
6.2.3訓練結果
6.2.4級聯
6.3運用統計學的目標檢測
6.4隨機森林
6.4.1原理闡述
6.4.2算法詳解
6.4.3算法分析
小結

第7章 壓縮感知
引言
7.1壓縮感知理論框架
7.2壓縮感知的基本理論及核心問題
7.2.1壓縮感知的數學模型
7.2.2信號的稀疏表示
7.2.3信號的觀測矩陣
7.2.4信號的重構算法
7.3壓縮感知的應用與仿真
7.3.1應用
7.3.2人臉識別
小結

第8章 子空間
引言
8.1基於主成分分析的特征提取
8.2數學模型
8.3主成分的數學上的計算
8.3.1兩個線性代數的結論
8.3.2基於協方差矩陣的特征值分解
8.3.3主成分分析的步驟
8.4主成分分析的性質
8.5基於主成分分析的人臉識別方法
小結

第9章 深度學習與神經網絡
引言
9.1神經網絡及其主要算法
9.1.1前饋神經網絡
9.1.2感知器
9.1.3三層前饋網絡
9.1.4反向傳播算法
9.2深度學習
9.2.1深度學習概述
9.2.2自編碼算法AutoEncoder
9.2.3自組織編碼深度網絡
9.2.4卷積神經網絡模型
小結

第10章 強化學習
引言
10.1強化學習概述
10.2強化學習過程
10.2.1馬爾科夫性
10.2.2獎勵
10.2.3估價函數
10.2.4動態規划
10.2.5蒙特卡洛方法
10.2.6時序差分學習
10.2.7Q—Learning
10.2.8Q學習算法的改進
10.3程序實現
參考文獻