改變未來20年最重要的20個視覺機器學習理論深讀 ( 繁體 字) |
作者:謝劍斌、興軍亮、張立甯、方宇強、李沛秦、劉通、閆瑋、王勇、沈傑、張政、譚筠、胡俊 | 類別:1. -> 教材 -> 數位影像處理 2. -> 程式設計 -> 機器學習 |
譯者: |
出版社:佳魁資訊 | 3dWoo書號: 44454 詢問書籍請說出此書號!【缺書】 NT定價: 490 元 折扣價: 368 元
|
出版日:6/27/2016 |
頁數: |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 繁體 版 ) |
|
加入購物車 │加到我的最愛 (請先登入會員) |
ISBN:9789863793434 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言:視覺機器學習非常有用,但是很難找到稱心如意的參考資料,網路上相關資源不少,但是有的泛泛而談,或空洞無味,或無法執行,或效率很低,或缺乏實驗資料,曾經甚是苦悶,回過頭來思考,大家或多或少都有些酸甜苦辣的經驗和教訓。我提議大家就常用視覺機器學習方法,貢獻出自己的收穫,獲得大家一致贊同。於是我們在多次會議討論之後,形成視覺機器學習20課,大家分頭撰寫,然後由我來統籌、修改和補充。經過近一年的努力,終於開花結果,真心希望這本讀書筆記和心得體會能夠讓同道中人少些奔走,免除去蕪存菁、去偽存真的勞苦,熟悉演算法的來源、發展和所以然,掌握演算法的改進方法、實驗模擬流程、原始程式碼和視訊函數庫,使得研究人員和學生們儘快上手,樹立深入研究的信心。 本書是12 位博士多年研究視覺機器學習的基礎理論、核心演算法、關鍵技術和應用實作的科學結晶,是作者們多年相關科學研究實作的心得體會和系統歸納。包含K-Means、KNN 學習、回歸學習、決策樹學習、Random Forest、貝氏學習、EM 方法、AdaBoost、SVM 方法、增強學習、流形學習、RBF 學習、稀疏表示、字典學習、BP 學習、CNN 學習、RBM 學習、深度學習、遺傳方法、粒子群方法、蟻群方法共20 個常用視覺機器學習方法。進行深入淺出的說明,以簡單明瞭、豐富圖表、解釋程式、應用為宗旨,從基本原理、實現方法、改進方法、模擬流程、核心程式、來源程式、實驗資料等方面重點展開,適合於從事醫學影像分析、工業自動化、機器人、無人車、人臉檢測與識別、車輛資訊識別、行為檢測與識別、智慧視訊監控等領域的研究生和技術人員學習參考。 |
內容簡介:本書是12 位博士多年研究視覺機器學習的基礎理論、核心演算法、關鍵技術和應用實作的科學結晶,是作者們多年相關科學研究實作的心得體會和系統歸納。包含K-Means、KNN 學習、回歸學習、決策樹學習、Random Forest、貝氏學習、EM 方法、AdaBoost、SVM 方法、增強學習、流形學習、RBF 學習、稀疏表示、字典學習、BP 學習、CNN 學習、RBM 學習、深度學習、遺傳方法、粒子群方法、蟻群方法共20 個常用視覺機器學習方法。進行深入淺出的說明,以簡單明瞭、豐富圖表、解釋程式、應用為宗旨。 本書特別重視如何將視覺機器學習演算法的理論和實踐結合,解決視覺機器學習領域中的諸多基礎問題,可應用於醫學影像分析、工業自動化、機器人、無人車、人臉檢測與識別、車輛資訊識別、行為檢測與識別、智慧視訊監控等領域。 適合從事視覺機器學習領域研發者參考。 |
目錄:緒論 第1 講 K-means 1.1 基本原理 1.2 演算法改進 1.3 模擬實驗 1.4 演算法特點 第2 講 KNN 學習 2.1 基本原理 2.2 演算法改進 2.3 模擬實驗 2.4 演算法特點 第3 講 回歸學習 3.1 基本原理 3.2 演算法改進 3.3 模擬實驗 3.4 演算法特點 第4 講 決策樹學習 4.1 基本原理 4.2 演算法改進 4.3 模擬實驗 第5 講 Random Forest 學習 5.1 基本原理 5.2 演算法改進 5.3 模擬實驗 5.4 演算法特點 第6 講 貝氏學習 6.1 基本原理 6.2 演算法改進 6.3 模擬實驗 6.4 演算法特點 第7 講 EM演算法 7.1 基本原理 7.2 演算法改進 7.3 模擬實驗 7.4 演算法特點 第8 講 Adaboost 8.1 基本原理 8.2 演算法改進 8.3 模擬實驗 8.4 演算法特點 第9 講 SVM方法 9.1 基本原理 9.2 演算法改進 9.3 模擬實驗 9.4 演算法特點 第10 講 增強學習 10.1 基本原理 10.2 演算法改進 10.3 模擬實驗 10.4 演算法特點 第11 講 流形學習 11.1 演算法原理 11.2 演算法改進 11.3 演算法模擬 11.4 演算法特點 第12 講 RBF 學習 12.1 基本原理 12.2 演算法改進 12.3 模擬實驗 12.4 演算法特點 第13 講 稀疏表示 13.1 基本原理 13.2 演算法改進 13.3 模擬實驗 13.4 演算法特點 第14 講 字典學習 14.1 基本原理 14.2 演算法改進 14.3 模擬實驗 14.4 以字典學習為基礎的視訊影像降噪方法 14.5 演算法特點 第15 講 BP 學習 15.1 基本原理 15.2 演算法改進 15.3 模擬實驗 15.4 演算法特點 第16 講 CNN 學習 16.1 基本原理 16.2 演算法改進 16.3 模擬實驗 16.4 演算法特點 第17 講 RBM 學習 17.1 基本原理 17.2 演算法改進 17.3 模擬實驗 17.4 演算法特點 第18 講 深度學習 18.1 基本原理 18.2 演算法改進 18.3 模擬實驗 18.4 演算法特點 第19 講 遺傳演算法 19.1 演算法原理 19.2 演算法改進 19.3 演算法模擬 19.4 演算法特點 第20 講 蟻群方法 20.1 基本原理 20.2 演算法改進 20.3 模擬實驗 20.4 演算法特點 |
序: |