توضیحات
The use of pattern recognition and classification is fundamental to many of the automated electronic systems in use today. However, despite the existence of a number of notable books in the field, the subject remains very challenging, especially for the beginner. Pattern Recognition and Classification presents a comprehensive introduction to the core concepts involved in automated pattern recognition. It is designed to be accessible to newcomers from varied backgrounds, but it will also be useful to researchers and professionals in image and signal processing and analysis, and in computer vision. Fundamental concepts of supervised and unsupervised classification are presented in an informal, rather than axiomatic, treatment so that the reader can quickly acquire the necessary background for applying the concepts to real problems. More advanced topics, such as estimating classifier performance and combining classifiers, and details of particular project applications are addressed in the later chapters. This book is suitable for undergraduates and graduates studying pattern recognition and machine learning. Read more… Preface — Acknowledgments — Chapter 1 Introduction — 1.1 Overview — 1.2 Classification — 1.3 Organization of the Book — Bibliography — Exercises — Chapter 2 Classification — 2.1 The Classification Process — 2.2 Features — 2.3 Training and Learning — 2.4 Supervised Learning and Algorithm Selection — 2.5 Approaches to Classification — 2.6 Examples — 2.6.1 Classification by Shape — 2.6.2 Classification by Size — 2.6.3 More Examples — 2.6.4 Classification of Letters — Bibliography — Exercises — Chapter 3 Non-Metric Methods — 3.1 Introduction — 3.2 Decision Tree Classifier — 3.2.1 Information, Entropy and Impurity — 3.2.2 Information Gain — 3.2.3 Decision Tree Issues — 3.2.4 Strengths and Weaknesses — 3.3 Rule-Based Classifier — 3.4 Other Methods — Bibliography — Exercises — Chapter 4 Statistical Pattern Recognition — 4.1 Measured Data and Measurement Errors — 4.2 Probability Theory — 4.2.1 Simple Probability Theory — 4.2.2 Conditional Probability and Bayes’ Rule — 4.2.3 Naive Bayes classifier — 4.3 Continuous Random Variables — 4.3.1 The Multivariate Gaussian — 4.3.2 The Covariance Matrix — 4.3.3 The Mahalanobis Distance — Bibliography — Exercises — Chapter 5 Supervised Learning — 5.1 Parametric and Non-Parametric Learning — 5.2 Parametric Learning — 5.2.1 Bayesian Decision Theory — 5.2.2 Discriminant Functions and Decision Boundaries — 5.2.3 MAP (Maximum A Posteriori) Estimator — Bibliography — Exercises — Chapter 6 Non-Parametric Learning — 6.1 Histogram Estimator and Parzen Windows — 6.2 k-Nearest Neighbor (k-NN) Classification — 6.3 Artificial Neural Networks (ANNs) — 6.4 Kernel Machines — Bibliography — Exercises — Chapter 7 Feature Extraction and Selection — 7.1 Reducing Dimensionality — 7.1.1 Pre-Processing — 7.2 Feature Selection — 7.2.1 Inter/Intra-Class Distance — 7.2.2 Subset Selection — 7.3 Feature Extraction — 7.3.1 Principal Component Analysis (PCA) — 7.3.2 Linear Discriminant Analysis (LDA) — Bibliography — Exercises — Chapter 8 Unsupervised Learning — 8.1 Clustering — 8.2 k-Means Clustering — 8.2.1 Fuzzy c-Means Clustering — 8.3 (Agglomerative) Hierarchical Clustering — Bibliography — Exercises — Chapter 9 Estimating and Comparing Classifiers — 9.1 Comparing Classifiers and the No Free Lunch Theorem — 9.1.2 Bias and Variance — 9.2 Cross-Validation and Resampling Methods — 9.2.1 The Holdout Method — 9.2.2 k-Fold Cross-Validation — 9.2.3 Bootstrap — 9.3 Measuring Classifier Performance — 9.4 Comparing Classifiers — 9.4.1 ROC curves — 9.4.2 McNemar’s Test — 9.4.3 Other Statistical Tests — 9.4.4 The Classification Toolbox — 9.5 Combining classifiers — Bibliography — Chapter 10 Projects — 10.1 Retinal Tortuosity as an Indicator of Disease — 10.2 Segmentation by Texture — 10.3 Biometric Systems — 10.3.1 Fingerprint Recognition — 10.3.2 Face Recognition — Bibliography — Index
————————————————————–
ترجمه ماشینی :
استفاده از تشخیص و طبقه بندی الگو برای بسیاری از سیستم های الکترونیکی خودکار که امروزه مورد استفاده قرار می گیرند، اساسی است. با این حال، علیرغم وجود تعدادی کتاب قابل توجه در این زمینه، موضوع همچنان بسیار چالش برانگیز است، به ویژه برای مبتدیان. تشخیص و طبقهبندی الگو، مقدمهای جامع بر مفاهیم اصلی درگیر در تشخیص خودکار الگو ارائه میکند. این طراحی شده است تا برای تازه واردان با زمینه های مختلف قابل دسترسی باشد، اما همچنین برای محققان و متخصصان در پردازش و تجزیه و تحلیل تصویر و سیگنال و در بینایی کامپیوتر مفید خواهد بود. مفاهیم بنیادی طبقهبندی نظارتشده و بدون نظارت بهصورت غیررسمی و نه بدیهی، ارائه میشوند تا خواننده بتواند به سرعت پیشزمینه لازم برای به کارگیری مفاهیم را در مسائل واقعی به دست آورد. موضوعات پیشرفتهتر، مانند برآورد عملکرد طبقهبندیکننده و ترکیب طبقهبندیکنندهها، و جزئیات برنامههای خاص پروژه در فصلهای بعدی بررسی میشوند. این کتاب برای دانشجویان کارشناسی و فارغ التحصیلانی که در زمینه تشخیص الگو و یادگیری ماشین مطالعه می کنند مناسب است. ادامه مطلب… مقدمه — تقدیرنامه — فصل 1 مقدمه — 1.1 بررسی اجمالی — 1.2 طبقه بندی — 1.3 سازماندهی کتاب — کتابشناسی — تمرینها — فصل 2 طبقه بندی — 2.1 فرآیند طبقه بندی — 2.2 ویژگی ها — 2.3 آموزش و یادگیری — 2.4 یادگیری نظارت شده و انتخاب الگوریتم — 2.5 رویکردهای طبقه بندی — 2.6 مثال — 2.6.1 طبقه بندی بر اساس شکل — 2.6.2 طبقه بندی بر اساس اندازه — 2.6.3 مثال های بیشتر — 2.6 .4 طبقه بندی حروف — کتابشناسی — تمرین — فصل 3 روشهای غیر متریک — 3.1 مقدمه — 3.2 طبقه بندی درخت تصمیم — 3.2.1 اطلاعات، آنتروپی و ناخالصی — 3.2.2 به دست آوردن اطلاعات — 3.2. 3 مسائل درخت تصمیم — 3.2.4 نقاط قوت و ضعف — 3.3 طبقه بندی کننده مبتنی بر قانون — 3.4 روش های دیگر — کتابشناسی — تمرین ها — فصل 4 تشخیص الگوی آماری — 4.1 داده های اندازه گیری شده و خطاهای اندازه گیری 2b. — 4.2.1 نظریه احتمال ساده — 4.2.2 احتمال شرطی و قانون بیز — 4.2.3 طبقه بندی کننده ساده بیز — 4.3 متغیرهای تصادفی پیوسته — 4.3.1 گاوسی چند متغیره — 4.3.2 ماتریس کوواریانس — – 4.3.3 فاصله ماهالانوبیس – کتابشناسی – تمرینها – فصل 5 یادگیری تحت نظارت – 5.1 یادگیری پارامتری و غیر پارامتری – 5.2 یادگیری پارامتری – 5.2.1 نظریه تصمیم گیری بیزی – 5.2.2 توابع و تصمیم متمایز مرزها — 5.2.3 برآوردگر نقشه (حداکثر A پسینی) — کتابشناسی — تمرینها — فصل 6 یادگیری غیر پارامتری — 6.1 تخمینگر هیستوگرام و ویندوز Parzen — 6.2 k-نزدیکترین همسایه (k-NN) طبقه بندی — 6.3 شبکه های عصبی مصنوعی (ANN) — 6.4 ماشین های هسته — کتابشناسی — تمرین ها — فصل 7 استخراج و انتخاب ویژگی — 7.1 کاهش ابعاد — 7.1.1 پیش پردازش — 7.2 انتخاب ویژگی — 7.2.1 بین /فاصله درون کلاسی — 7.2.2 انتخاب زیر مجموعه — 7.3 استخراج ویژگی — 7.3.1 تجزیه و تحلیل مؤلفه اصلی (PCA) — 7.3.2 تجزیه و تحلیل تشخیص خطی (LDA) — کتابشناسی — تمرینها — فصل 8 بدون نظارت یادگیری — 8.1 خوشه بندی — 8.2 k-خوشه بندی k-means — 8.2.1 فازی c-means clustering — 8.3 (تراکمی) خوشه بندی سلسله مراتبی — کتابشناسی — تمرین ها — فصل 9 تخمین و مقایسه طبقه بندی کننده ها — 9.1 Classifiers and Comparing قضیه بدون ناهار رایگان — 9.1.2 سوگیری و واریانس — 9.2 روش اعتبارسنجی متقابل و نمونه گیری مجدد — 9.2.1 روش Holdout — اعتبار سنجی متقاطع 9.2.2 k-Fold — 9.2.3 بوت استرپ — 9.3 اندازه گیری عملکرد طبقه بندی کننده — 9.4 مقایسه طبقه بندی کننده ها — 9.4.1 منحنی های ROC — 9.4.2 آزمون مک نمار — 9.4.3 سایر آزمون های آماری — 9.4.4 جعبه ابزار طبقه بندی — 9.5 ترکیب طبقه بندی کننده ها — کتابشناسی10 — فصل پروژه ها — 10.1 پیچ خوردگی شبکیه به عنوان یک شاخص بیماری — 10.2 تقسیم بندی بر اساس بافت — 10.3 سیستم های بیومتریک — 10.3.1 تشخیص اثر انگشت — 10.3.2 تشخیص چهره — کتابشناسی — فهرست
tag : دانلود کتاب شناخت الگو و طبقه بندی: مقدمه , Download شناخت الگو و طبقه بندی: مقدمه , دانلود شناخت الگو و طبقه بندی: مقدمه , Download Pattern Recognition and Classification : an Introduction Book , شناخت الگو و طبقه بندی: مقدمه دانلود , buy شناخت الگو و طبقه بندی: مقدمه , خرید کتاب شناخت الگو و طبقه بندی: مقدمه , دانلود کتاب Pattern Recognition and Classification : an Introduction , کتاب Pattern Recognition and Classification : an Introduction , دانلود Pattern Recognition and Classification : an Introduction , خرید Pattern Recognition and Classification : an Introduction , خرید کتاب Pattern Recognition and Classification : an Introduction ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.