|
|
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。
書中範例原始程式碼，可至佳魁資訊官網下載
前言
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
