本書系統地介紹統計模式識別的理論和技術，并討論機器學習領域的諸多問題和相關算法，反映模式識別理論和技術的最新研究進展。其中，大部分識別和分類問題取材于工程學、統計學、計算機科學和社會學等領域的相關應用，并配有應用研究實例。與前版相比，充實或新增了關于估計概率密度的貝葉斯方法、估計概率密度的新的非參數方法、新的分類模型、譜聚類問題、分類規則的歸納法、復雜網絡等方面的介紹。
近幾年來統計模式識別方向，唯一一本書國外著作。作者著名。
第1章 統計模式識別緒論
1.1 統計模式識別
1.1.1 引言
1.1.2 基本模型
1.2 解決模式識別問題的步驟
1.3 問題討論
1.4 統計模式識別的方法
1.5 基本決策理論
1.5.1 最小錯誤貝葉斯決策規則
1.5.2 最小錯誤貝葉斯決策規則——拒絕分類
1.5.3 最小風險貝葉斯決策規則
1.5.4 最小風險貝葉斯決策規則——拒絕分類
1.5.5 Neyman-Pearson決策規則
1.5.6 最小最大決策
1.5.7 討論 第1章 統計模式識別緒論
1.1 統計模式識別
1.1.1 引言
1.1.2 基本模型
1.2 解決模式識別問題的步驟
1.3 問題討論
1.4 統計模式識別的方法
1.5 基本決策理論
1.5.1 最小錯誤貝葉斯決策規則
1.5.2 最小錯誤貝葉斯決策規則——拒絕分類
1.5.3 最小風險貝葉斯決策規則
1.5.4 最小風險貝葉斯決策規則——拒絕分類
1.5.5 Neyman-Pearson決策規則
1.5.6 最小最大決策
1.5.7 討論
1.6 判別函數
1.6.1 引言
1.6.2 線性判別函數
1.6.3 分段線性判別函數
1.6.4 廣義線性判別函數
1.6.5 小結
1.7 多重回歸
1.8 本書梗概
1.9 提示及參考文獻
習題
第2章 密度估計的參數法
2.1 引言
2.2 分布參數估計
2.2.1 估計法
2.2.2 預測法
2.3 高斯分類器
2.3.1 詳述
2.3.2 高斯分類器插入估計的推導
2.3.3 應用研究舉例
2.4 處理高斯分類器的奇異問題
2.4.1 引言
2.4.2 樸素貝葉斯
2.4.3 投影到子空間
2.4.4 線性判別函數
2.4.5 正則化判別分析
2.4.6 應用研究舉例
2.4.7 拓展研究
2.4.8 小結
2.5 有限混合模型
2.5.1 引言
2.5.2 混合判別模型
2.5.3 正態混合模型的參數估計
2.5.4 正態混合模型協方差矩陣約束
2.5.5 混合模型分量的數量
2.5.6 期望最大化算法下的極大似然估計
2.5.7 應用研究舉例
2.5.8 拓展研究
2.5.9 小結
2.6 應用研究
2.7 總結和討論
2.8 建議
2.9 提示及參考文獻
習題
第3章 密度估計的貝葉斯法
3.1 引言
3.1.1 基本原理
3.1.2 遞歸計算
3.1.3 比例性
3.2 解析解
3.2.1 共軛先驗概率
3.2.2 方差已知的正態分布的均值估計
3.2.3 多元正態分布的均值及協方差矩陣估計
3.2.4 未知類先驗概率的情形
3.2.5 小結
3.3 貝葉斯采樣方案
3.3.1 引言
3.3.2 梗概
3.3.3 貝葉斯分類器的采樣類型
3.3.4 拒絕采樣
3.3.5 均勻比
3.3.6 重要性采樣
3.4 馬爾可夫鏈蒙特卡羅方法
3.4.1 引言
3.4.2 吉布斯(Gibbs)采樣器
3.4.3 MetropolisHastings算法
3.4.4 數據擴充
3.4.5 可逆跳躍馬爾可夫鏈蒙特卡羅方法
3.4.6 切片采樣
3.4.7 MCMC舉例——正弦噪聲估計
3.4.8 小結
3.4.9 提示及參考文獻
3.5 貝葉斯判別方法
3.5.1 標記訓練數據
3.5.2 無類別標簽的訓練數據
3.6 連續蒙特卡羅采樣
3.6.1 引言
3.6.2 基本方法
3.6.3 小結
3.7 變分貝葉斯方法
3.7.1 引言
3.7.2 描述
3.7.3 分解為因子的變分近似
3.7.4 簡單的例子
3.7.5 模型選擇中的運用
3.7.6 拓展研究與應用
3.7.7 小結
3.8 近似貝葉斯計算
3.8.1 引言
3.8.2 ABC拒絕采樣
3.8.3 ABC MCMC采樣
3.8.4 ABC總體蒙特卡羅采樣
3.8.5 模型選擇
3.8.6 小結
3.9 應用研究舉例
3.10 應用研究
3.11 總結和討論
3.12 建議
3.13 提示及參考文獻
習題
第4章 密度估計的非參數法
第5章 線性判別分析
第6章 非線性判別分析——核與投影法
第7章 規則和決策樹歸納法
第8章 組合方法
第9章 性能評價
第10章 特征選擇與特征提取
第11章 聚類
第12章 復雜網絡
第13章 其他論題
參考文獻
新書資訊