视觉机器学习20讲

谢剑斌等编著的这本《视觉机器学习20讲》是计算机、自动化、信息、电子与通信学科方向的专著，详尽地介绍了K-Means、KNN学习、回归学习、决策树学习、RandomForest、贝叶斯学习、EM算法、Adaboost、SVM方法、增强学习、流形学习、RBF学习、稀疏表示、字典学习、BP学习、CNN学习、RBM学习、深度学习、遗传算法、蚁群方法等基本理论；深入阐述了视觉机器学习算法的优化方法和实验仿真；系统地总结了其优点和不足。
本书特别重视如何将视觉机器学习算法的理论和实践有机地结合，解决视觉机器学习领域中的诸多基础问题，可应用于医学图像分析、工业自动化、机器人、无人车、人脸检测与识别、车辆信息识别、行为检测与识别、智能视频监控等。本书特别重视算法的典型性和可实现性，既包含本领域的经典算法，也包含本领域的近期新研究成果。
本书不仅可作为高年级本科生与研究生教材，而且也是从事视觉机器学习领域研发极为有用的参考资料。

谢剑斌，博士后，曾于新加坡国立大学访问学习，现为国防科技大学电子科学与工程学院教授，中国生物特征识别国家标准组委员、中国数字电视国家标准组委员、中国图象图形学会不错会员、计算机学会不错会员、电光与控制编委会委员。长期从事数字视频分析与生物特征识别方面的研究工作，参与和主持国家863项目3项、国防预研项目2项、航空基金项目1项、国家标准项目2项、公安部创新计划项目3项、横向项目17项。参与制定安全防范系统生物特征识别国家标准、面向安全监视的视频获取国家标准、数字电视地面传输国家标准、机载TFT液晶显示器军用标准。发表学术论文70多篇，出版专著4部，授权国家发明专利15项、实用新型专利27项。获湖南省科技进步二等奖1项，公安部技术革新成果特别项目奖2项，靠前发明展金奖2项，全国发明展览会金奖1项、铜奖1项。

绪论
第1讲K-means
1.1基本原理
1.2算法改进
1.3仿真实验
1.4算法特点
第2讲KNN学习
2.1基本原理
2.2算法改进
2.3仿真实验
2.4算法特点
第3讲回归学习
3.1基本原理
3.1.1参数回归
3.1.2非参数回归
3.1.3半参数回归
3.2算法改进
5.1.2Bagging集成学习
5.1.3Random Forest方法
5.2算法改进
5.3仿真实验
5.3.1Random Forest分类与回归流程
5.3.2Forest-RI和Forest-RC
5.3.3基于Random Forest的头部姿态估计
5.4算法特点
第6讲贝叶斯学习
6.1基本原理
6.2算法改进
6.2.1朴素贝叶斯模型
6.2.2层级贝叶斯模型
6.2.3增广贝叶斯学习模型
6.2.4基于Boosting技术的朴素贝叶斯模型
6.2.5贝叶斯神经网络模型
6.3仿真实验
6.3.1Learn_Bayse（X,V）
6.3.2Classify_Bayse（X）
6.4算法特点
第7讲EM算法
7.1基本原理
7.2算法改进
7.2.1EM算法的快速计算
7.2.2未知分布函数Pi（yi）的选取
7.2.3EM算法收敛性的改进
7.3仿真实验
7.3.1EM算法流程
7.3.2EM算法的伪代码
7.3.3EM算法应用--高斯混合模型
3.2.1线性回归模型
3.2.2多项式回归模型
3.2.3主成分回归模型
3.2.4自回归模型
3.2.5核回归模型
3.3仿真实验
3.3.1回归学习流程
3.3.2基于回归学习的直线边缘提取
3.3.3基于回归学习的图像插值
3.4算法特点
第4讲决策树学习
4.1基本原理
4.1.1分类与聚类
4.1.2决策树
4.1.3信息增益的度量标准
4.1.4信息增益度量期望的熵降低
4.1.5悲观错误剪枝PEP
4.1.6基本决策树算法
4.2算法改进
4.2.1ID3算法
4.2.2C4.5算法
4.2.3SLIQ算法
4.2.4SPRINT算法
4.3仿真实验
4.3.1用于学习布尔函数的ID3算法伪代码
4.3.2C4.5算法构造决策树的伪代码
4.4算法特点
第5讲Random Forest学习
5.1基本原理
5.1.1决策树
7.4算法特点
第8讲Adaboost
8.1基本原理
8.1.1Boosting方法
8.1.2Adaboost方法
8.2算法改进
8.2.1权值更新方法的改进
8.2.2Adaboost并行算法
8.3仿真实验
8.3.1Adaboost算法实现流程
8.3.2Adaboost算法示例
8.4算法特点
8.4.1Adaboost算法的优点
8.4.2Adaboost算法的缺点
第9讲SVM方法
9.1基本原理
9.2算法改进
9.3仿真实验
9.4算法特点
第10讲增强学习
10.1基本原理
10.2算法改进
10.2.1部分感知模型
10.2.2增强学习中的函数估计
10.2.3分层增强学习
10.2.4多Agent增强学习
10.3仿真实验
10.4算法特点
……
第11讲流形学习
第12讲RBF学习
第13讲稀疏表示
第14讲字典学习
第15讲BP学习
第16讲CNN学习
第17讲RBM学习
第18讲深度学习
第19讲遗传算法
第20讲蚁群方法