模式识别与机器学习是计算机科学与技术的重要研究内容之一。
《模式识别与机器学习技术》首先讲解了贝叶斯分类、支持向量机和人工神经网络等常用的机器学习算法，并对结构数据的核函数和增量支持向量机算法进行了全面综述，讲解了深度学习新的模型和计算机视觉的基本知识。以农业为应用场景，结合作者的科研工作，详细介绍了基于卷积神经网络的树木识别和基于对抗生成网络的玉米病害图像生成的实际应用案例。后介绍了模式识别与机器学习涉及的数学基础。书中配有模式识别与机器学习相应算法的Python源代码。
《模式识别与机器学习技术》适合计算机科学与技术、数据科学与技术等相关专业的研究生和本科生使用，也可供从事农业大数据研究工作等相关人员参考。
1 模式识别与机器学习基本概念
1．1 模式识别
1．1．1 基本概念
1．1．2 模式识别应用
1．1．3 模式识别系统
1．1．4 模式识别基本方法
1．1．5 模式识别基本问题
1．1．6 模式识别基本准则
1．2 机器学习
1．2．1 简介
1．2．2 机器学习的分类
1．2．3 深度学习
1．3 机器学习与模式识别算法评价指标
1．3．1 查全率与准确率
1．3．2 交叉验证
1．3．3 混淆矩阵
1．4 K近邻算法
1．5 顶级会议和期刊
1．5．1 顶级会议
1．5．2 顶级期刊
1．5．3 国内重要期刊
2 判别函数
2．1 判别函数
2．1．1 线性判别函数
2．1．2 非线性判别函数
2．2 Fisher线性判别函数
3 特征提取与选择
3．1 简介
3．2 基本概念
3．3 类别可分性判据
3．3．1 基于距离的可分性判据
3．3．2 基于概率分布的可分性判据
3．4 主成分分析
3．4．1 简介
3．4．2 基本原理
3．4．3 具体步骤
3．4．4 应用举例
3．4．5 核主成分分析法
3．5 图像特征
3．5．1 颜色特征
3．5．2 纹理特征
3．5．3 形状特征
4 贝叶斯分类
4．1 简介
4．1．1 相关统计概念
4．1．2 贝叶斯定理
4．2 贝叶斯分类
4．3 朴素贝叶斯分类
4．3．1 简介
4．3．2 基本原理
4．3．3 分类举例
4．4 贝叶斯网络
4．4．1 结构形式1
4．4．2 结构形式2
4．4．3 结构形式3
4．4．4 举例
4．5 基于Python的朴素贝叶斯分类实现
5 聚类分析
5．1 聚类概念
5．2 聚类算法分类
5．3 相似性度量
5．4 聚类准则
……
6 支持向量机
7 人工神经网络
8 机器学习与模式识别应用——以农业为例
9 线性代数
10 概论论与数理统计
11 最优化理论与信息论
参考文献
书单推荐
