AI导读
核心看点
- 模式识别领域奠基性经典，涵盖统计与结构识别。
- 新增神经网络、SVM等近25年新理论与方法。
- 详述贝叶斯决策、最大似然估计及参数估计原理。
适合谁读
- 模式识别、机器学习及人工智能方向的研究生。
- 具备扎实数学基础，需深入理解算法原理的研究者。
- 信号处理、数据挖掘及相关计算机专业的高阶读者。
读前提醒
- 数学推导密集，需具备概率论与线性代数基础。
- 非入门书，建议先建立领域认知后再通读。
- 务必配合官方勘误表阅读，警惕中文版翻译错误。
读者共识
- 内容极其经典详尽，但难度高，初学者极难啃。
- 图表丰富且解释清晰，对理解线性分类器等极有帮助。
- 部分理论略显陈旧，但数学解释深刻，值得反复研读。
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "最大似然估计（和其他类似方法）把待估计的参数看作是确定性的量，只是其取值未知。最佳估计就是使得产生已观测到的样本（即训练样本）的概率为最大的那个值。 与此不同的是，贝叶斯估计则把待估计的参数看成是符合某种先验分布的随机变量。对样本进行观测的过程，就是把先验概率密度转化为后验概率密度，这样就利用样本的信息修正了对参数的初始估计值。"
- "参数估计问题是统计学中的经典问题，并且已经有了一些具体的解决方法。这里我们将主要讨论两种最常用和很有效的方法，也就是：最大似然估计和贝叶斯估计。"
- "最大似然估计把待估计的参数看作是确定性的量，只是其取值未知。最佳估计就是使得产生已观测到的样本（即训练样本）的概率为最大的那个值。与此不同的是，贝叶斯估计则是把待估计的参数看成是符合某种先验概率分布的随机变量。对样本进行观测的过程，就是把先验概率密度转化为后验概率密度，这样就利用样本的信息修正了对参数的初始估计值。在贝叶斯估计中，一个典型的效果就是，每得到新的观测样本，都使得后验概率密度函数变得更加尖锐，使其在待估参数的真实值附近形成最大的尖峰。这个现象就称为“贝叶斯学习”过程。"
- "That is to say, the production representation may be the “best” representation for classification."
- "一种处理过多的维数是采用组合特征的方法来降低维数，对几个特征作线性组合是一种特别具有吸引力的方法，因为线性组合容易计算并且能够进行解析分析，从本质上来说线性方法是将高维的数据投影的低维空间中。经典的寻找有效的线性变换的方法有两种。其一是主成分分析方法（principal component analysis），这一方法的目的是寻找在最小均方意义下最能够代表原始数据的对应方法。另一种方法为多重判别分析，这一方法的目的是寻找在最小均方意义下最能够分开各类数据的统计方法。<"
- "正态分布与熵之间有着密切的关系。... 熵是一个非负的量，用来描述从一种分布中随机选取的样本点值的不确定性。可以证明正态分布在所有具有给定的均值和方差的分布中具有最大熵。并且，由中心极限定理所述，大量小的、独立的随机分布的总和等效为一高斯分布。由于所有模式——从鱼到手写字符、到某些语音——都可以看成是由大量随机过程所组成的某个理想的或原型模式，对于实际的概率分布而言，高斯分布通常是一种好的模型。"
- "特征空间中的一个线性变换将一个任意正态分布变换成另一个正态分布。"
- "如果以模式分类作为目的，那么对我们讨论过的各种降维方法的批评中最严厉的就是它们过于关心数据的精确表示了。过多强调那些具有很大变化范围的特征组合。对分类问题来说，我们感兴趣的是判别能力而不是表达能力。虽然大家公认理想的表达肯定会使得分类非常简单，但是还不清楚不用明显分类准则的聚类是否能找到这种理想的表达。"
目录
用户评论
没学过的看不明白，学懂了的又懒得看，所以最适合我这种学过跟没学过似的的（当年的感想）
考试的时候中译英…… | 模式识别
这样的书给最佳评价绝对不为过，对于研究模式识别、信号处理等多种方向的童鞋都有帮助。主要是里面对许多数学方面都给予了应用方面的解释。
为了搞论文而读的，现在国外好比较太时髦吧。
经典巨作，不过算法偏老，各种算法的变种和发展没有
前深度学习时代的模式分类。其实我一直不太喜欢玄学的神经网络，这种看得见摸得着的统计模型让人安心，面对不复杂的任务时也可以得心应手。
理论大典
看了老板划的部分 是本好书 我已经感性理解了！（发出数学学渣的声音
模式识别课的教材，通过这本书知道了一些概念，总体来说内容比较旧，但线性模型讲的还不错。后面的章节也讲了一些奥卡姆剃刀原理等准则。
研一模式识别课用的教材，比较全面，记得当时是自动化所四个研究员轮流讲，授课内容比这本书还精彩
下载
收藏