大話模式識別

王瑋，哈爾濱工業大學（深圳）計算機科學與技術學院生物計算研究中心助理教授。2008-2014年本科碩士就讀於哈爾濱工業大學校本部計算機科學與技術專業，2019年獲英國曼徹斯特大學生物物理專業博士學位。目前從事虛擬心臟建模與仿真，藥物評估與篩選，生物計算，智慧醫療，醫學圖像處理等方向的研究。主持國家自然科學基金青年科學基金項目、博士後基金委面上項目，深圳市面上項目等多個項目，發表高水平學術論文30余篇。

 

目錄

 

 

 

 

第1章緒論

 

1.1模式識別的核心概念——是什麼

 

1.2模式識別系統——如何訓練

 

1.2.1模式識別模型的分類——有監督和無監督

 

1.2.2影響模型分類正確率的因素

 

1.3本書的主要內容

 

第2章基於概率的模式識別

 

2.1從“無序”到“有序”——基於概率的預測

 

2.1.1確定性事件與非確定性事件

 

2.1.2張三究竟患病與否——答案並非完美

 

2.1.3存在最佳決策之外的更好決策嗎

 

2.2貝葉斯的故事與概率倒推方法——科學、經驗、直覺及其他

 

2.2.1貝葉斯分類決策公式——模式識別學科的豐碑

 

2.2.2中國的“貝葉斯”

 

2.3乳腺手術的決定正確嗎——最小錯誤貝葉斯分類決策的修訂與解析

 

2.3.1最小風險貝葉斯分類決策

 

2.3.2最小風險貝葉斯分類決策公式的解析

 

2.4似然的估計——應用貝葉斯分類決策公式的重頭戲

 

2.4.1似然估計的利器——最大似然估計方法

 

2.4.2似然的估計之二——不依賴分布的似然估計方法

 

2.5主成分分析與線性鑒別分析——最具代表性的特征抽取方法

 

2.5.1主成分分析(PCA)

 

2.5.2線性鑒別分析 (LDA)

 

2.5.3其他

 

2.6本章小結

 

第3章聚類——物以類聚，人以群分

 

3.1聚類的概念

 

3.2單視角聚類中典型的數據聚類方法

 

3.2.1層次聚類法

 

3.2.2Kmeans

 

3.2.3Kmedoids

 

3.2.4其他單視角數據聚類方法

 

3.3多視角聚類——兼聽則明，偏信則暗

 

3.3.1基於協同訓練的多視角聚類

 

3.3.2基於多核學習的多視角聚類

 

3.3.3基於圖學習的多視角聚類

 

3.3.4多任務多視角聚類

 

3.3.5多視角子空間聚類

 

3.4單視角聚類VS多視角聚類：  以圖像分割任務為例

 

3.5本章小結

 

第4章時序數據的模式分析與隱馬爾可夫模型

 

4.1什麼是時序數據

 

4.2馬爾可夫性和一階馬爾可夫模型

 

4.3狀態未知怎麼辦——隱馬爾可夫模型

 

4.4隱馬爾可夫模型的應用——三個核心問題

 

4.4.1估值問題

 

4.4.2解碼問題

 

4.4.3學習問題

 

4.5本章小結

 

第5章線性分類器

 

5.1你的問題線性可分嗎

 

5.2線性分類器長什麼樣子

 

5.3線性分類器的學習——參數求解

 

5.4最簡潔的線性分類器——感知器算法

 

5.5最小平方誤差算法

 

5.5.1平方誤差準則

 

5.5.2最小平方誤差算法的工作過程

 

5.5.3梯度下降

 

5.6模式識別的中流砥柱——SVM

 

5.6.1SVM的發展歷程與創始人

 

5.6.2SVM的工作過程

 

5.6.3非線性SVM：  核函數與非線性分類

 

5.6.4優化和調整SVM：  超參數和核函數的選擇

 

5.6.5關於SVM的一些討論

 

5.7多分類問題的解決策略

 

5.8本章小結

 

第6章打開深度學習的大門——神經網絡

 

6.1神經網絡的基礎——神經元

 

6.1.1生物神經元和人工神經元

 

6.1.2激活函數

 

6.1.3幾種典型的激活函數

 

6.2人工神經網絡的構成

 

6.2.1輸入層

 

6.2.2隱藏層

 

6.2.3輸出層

 

6.2.4一個手寫數字識別的例子

 

6.2.5人工神經網絡的特點

 

6.3深度神經網絡

 

6.3.1卷積

 

6.3.2填充

 

6.3.3三維卷積

 

6.3.4池化層

 

6.3.5一個完整的卷積神經網絡

 

6.4大模型

 

6.5本章小結

 

第7章模式識別系統的訓練與評價

 

7.1訓練的原材料——樣本集的構建

 

7.1.1樣本集的預處理

 

7.1.2樣本集的劃分

 

7.1.3樣本集的分布

 

7.2如何構建一個好的系統——疊代優化和性能指標

 

7.2.1關於疊代優化的建議

 

7.2.2具體的指標

 

7.2.3性能評價試驗

 

7.3誤差分析——偏差和方差

 

7.3.1誤差的構成——打中靶心的關鍵

 

7.3.2降低偏差的技術

 

7.3.3降低方差的技術

 

7.4本章小結