模式识别与神经网络 夸克云 txt pdf umd tct 百度云 kindle 下载

《模式识别与神经网络(英文版)》是模式识别和神经网络方面的名著，讲述了模式识别所涉及的统计方法、神经网络和机器学习等分支。书的内容从介绍和例子开始，主要涵盖统计决策理论、线性判别分析、弹性判别分析、前馈神经网络、非参数方法、树结构分类、信念网、无监管方法、探寻优良的模式特性等方面的内容。

《模式识别与神经网络(英文版)》可作为统计与理工科研究生课程的教材，对模式识别和神经网络领域的研究人员也是极有价值的参考书。

1 Introduction and Examples

1.1 How do neural methods differ?

1.2 The patterm recognition task

1.3 Overview of the remaining chapters

1.4 Examples

1.5 Literature

2 Statistical Decision Theory

2.1 Bayes rules for known distributions

2.2 Parametric models

2.3 Logistic discrimination

2.4 Predictive classification

2.5 Alternative estimation procedures

2.6 How complex a model do we need?

2.7 Performance assessment

2.8 Computational learning approaches

3 Linear Discriminant Analysis

3.1 Classical linear discriminatio

3.2 Linear discriminants via regression

3.3 Robustness

3.4 Shrinkage methods

3.5 Logistic discrimination

3.6 Linear separatio andperceptrons

4 Flexible Diseriminants

4.1 Fitting smooth parametric functions

4.2 Radial basis functions

4.3 Regularization

5 Feed-forward Neural Networks

5.1 Biological motivation

5.2 Theory

5.3 Learning algorithms

5.4 Examples

5.5 Bayesian perspectives

5.6 Network complexity

5.7 Approximation results

6 Non-parametric Methods

6.1 Non-parametric estlmation of class densities

6.2 Nearest neighbour methods

6 3 Learning vector quantization

6.4 Mixture representations

7 Tree-structured Classifiers

7.1 Splitting rules

7.2 Pruning rules

7.3 Missing values

7.4 Earlier approaches

7.5 Refinements

7.6 Relationships to neural networks

7.7 Bayesian trees

8 Belief Networks

8.1 Graphical models and networks

8.2 Causal networks

8 3 Learning the network structure

8.4 Boltzmann machines

8.5 Hierarchical mixtures of experts

9 Unsupervised Methods

9.1 Projection methods

9.2 Multidimensional scaling

9.3 Clustering algorithms

9.4 Self-organizing maps

10 Finding Good Pattern Features

10.1 Bounds for the Bayes error

10.2 Normal class distributions

10.3 Branch-and-bound techniques

10.4 Feature extraction

A Statistical Sidelines

A.1 Maximum likelihood and MAP estimation

A.2 The EM algorithm

A.3 Markov chain Monte Carlo

A.4 Axioms for conditional independence

A.5 Optimization

Glossary

References

Author Index

Subject Index

B.D.Ripley 著名的统计学家，牛津大学应用统计教授。他在空间统计学、模式识别领域作出了重要贡献，对S的开发以及S-PLUSUS和R的推广应用有着重要影响。20世纪90年代他出版了人工神经网络方面的著作，影响很大，引导统计学者开始关注机器学习和数据挖掘。除本书外，他还著有Modern Applied Statistics with S和S Programming。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：模式识别与神经网络在线阅读

在线听书地址：模式识别与神经网络在线收听

在线购买地址：模式识别与神经网络在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

《模式识别与神经网络(英文版)》是模式识别和神经网络方面的名著，讲述了模式识别所涉及的统计方法、神经网络和机器学习等分支。书的内容从介绍和例子开始，主要涵盖统计决策理论、线性判别分析、弹性判别分析、前馈神经网络、非参数方法、树结构分类、信念网、无监管方法、探寻优良的模式特性等方面的内容。

《模式识别与神经网络(英文版)》可作为统计与理工科研究生课程的教材，对模式识别和神经网络领域的研究人员也是极有价值的参考书。