本书深入而系统地介绍了模式识别和机器学习领域的基本概念、数学原理和核心算法，并附有丰富的习题。作为机器学习领域的“圣经”，本书融合了概率论、统计学、线性代数和优化理论，构建了从基础概念到前沿技术的完整知识体系，内容涵盖决策论、概率分布、线性回归模型、线性分类模型、神经网络、核方法、稀疏核机、图模型、混合模型与最大期望算法、近似推断、采样方法、连续潜变量、序列数据、模型组合等。 本书适合计算机专业高年级本科生和低年级硕士生阅读，也适合作为机器学习从业人员和爱好者的参考资料。

《模式识别（模式识别与机器学习（第4版））（新编<信息、控制与系统> 系列教材）》是清华大学自动化系国家精品课程“模式识别基础”和“模式识别与机器学习”的教材，在清华大学出版社1988年出版的《模式识别》第1版、2000年出版的《模式识别》第2版和2010年出版的《模式识别》第3版的基础上重写而成。由于模式识别和机器学习在近十年来有非常大的新发展，同时读者对内容深度和广度的需求也大幅提高，第4版在原有基础上增加了大量新内容，从原来的10章增加为15章，总篇幅增加了约1/3。该书系统地介绍了模式识别与机器学习的基本概念和代表性方法，既包括贝叶斯决策理论、概率密度函数估计、贝叶斯网络与隐马尔可夫模型、线性判别函数、非线性判别函数、人工神经网络、支持向量机与统计学习理论、近邻法、决策树与随机森林、集成学习、特征选择提取与特征工程、非监督学习等各种经典方法与...(展开全部)

《模式识别（模式识别与机器学习（第4版））（新编<信息、控制与系统> 系列教材）》是清华大学自动化系国家精品课程“模式识别基础”和“模式识别与机器学习”的教材，在清华大学出版社1988年出版的《模式识别》第1版、2000年出版的《模式识别》第2版和2010年出版的《模式识别》第3版的基础上重写而成。由于模式识别和机器学习在近十年来有非常大的新发展，同时读者对内容深度和广度的需求也大幅提高，第4版在原有基础上增加了大量新内容，从原来的10章增加为15章，总篇幅增加了约1/3。该书系统地介绍了模式识别与机器学习的基本概念和代表性方法，既包括贝叶斯决策理论、概率密度函数估计、贝叶斯网络与隐马尔可夫模型、线性判别函数、非线性判别函数、人工神经网络、支持向量机与统计学习理论、近邻法、决策树与随机森林、集成学习、特征选择提取与特征工程、非监督学习等各种经典方法与...(展开全部)

本书是模式识别领域的入门教材，系统阐述了模式识别的基础知识、主要模型及热门应用，并给出了近年来本领域一些新的成果和观点.。本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业研究生或本科生的教材，也可供相关领域研究人员和工程技术人员参考。全书共15章，分为五部分：第一部分（第1~4章）介绍了模式识别的基础知识；第二部分（第5~6章）介绍了与领域知识无关的特征提取；第三部分（第7~10章）介绍了分类器与其他工具；第四部分（第11~12章）介绍了如何处理变化多端的数据；第五部分（第13~15章）介绍了一些高阶课题，包括正态分布、EM算法和卷积神经网络。本书可作为高等院校人工智能、计算机、自动化、电子和通信等相关专业研究生或本科生的教材，也可供相关领域研究人员和工程技术人员参考。

《模式识别(英文版)(第4版)》是享誉世界的名著，内容既全面又相对独立，既有基础知识的介绍，又有本领域研究现状的介绍，还有对未来发展的展望，是本领域最全面的参考书，被世界众多高校选用为教材。《模式识别(英文版)(第4版)》可作为高等院校计算机。电子、通信。自动化等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。《模式识别(英文版)(第4版)》主要特点提供了大型数据集和高维数据的聚类算法以及网络挖掘和生物信息学应用的最新资料。涵盖了基于图像分析、光学字符识别，信道均衡，语音识别和音频分类的多种应用。呈现了解决分类和稳健回归问题的内核方法取得的最新成果。介绍了带有Boosting方法的分类器组合技术。提供更多处理过的实例和图例，加深读者对各种方法的了解。增加了关于热点话题的新的章节，包括非线性维数约减、...(展开全部)

《模式识别》在完美地结合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、动态编程和用于顺序数据的隐马尔可夫模型、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，主要更新了关于支持向量机和聚类算法的内容，重点研究了图像分析、语音识别和声音分类的特征生成。每章末均提供有习题与练习，且支持网站上提供有习题解答，以便于读者增加实际经验。模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分，主要应用领域是图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等学科。

《模式识别(第3版)》是清华大学自动化系国家精品课程“模式识别基础”的教材，是在《模式识别》第一版和第二版基础上重写而成的。本教材系统地讨论了模式识别的基本概念和代表性方法，包括监督模式识别中的贝叶斯决策理论、概率密度函数的估计、线性判别函数、非线性判别函数、近邻法、特征选择与提取的典型方法以及非监督模式识别中的基于模型的方法、混合密度估计、动态聚类方法、分级聚类方法等，并在相应章节包括了人工神经网络、支持向量机、决策树与随机森林、罗杰斯特回归、B00sting方法、模糊模式识别等较新进入模式识别领域的内容。整体内容安排力求系统性和实用性，并覆盖部分当前研究前沿。 《模式识别(第3版)》可以作为高等院校自动化、计算机等相关专业高年级本科生和研究生学习模式识别的教材，也可以供计算机信息处理、生物信息学、数据挖掘、统计等各领域中从事模式识别相关工作的广大...(展开全部)

本书是在我们十余年来对大学本科生和研究生讲授《模式识别》课程的基础上，结合近年一些国外教材和我们的模式识别研究成果编写而成，可作为大学本科和研究生学习模式识别课程的参考书。 虽然近年有许多新的模式识别研究方法提出，但模式识别的基础仍是由决策论方法（统计方法）和结构方法（句法方法）两大部分构成。因此，本书主要介绍统计识别方法和句法方法的基本理论和方法。本书共有14章，第1章引论，介绍模式识别的研究内容和研究方法；第2章至第6章介绍统计模式识别方法；第7章至第11章介绍句法模式识别方法；第12章介绍把句法模式识别推广到句法知识系统，从而是实现基于知识的模式识别；第13章介绍模糊集论在模式识别中的应用，指出模式识别的模糊本质；第14章介绍人工神经网络在模式识别中的应用，提出用模式识别的观点研究究神经网络，使前馈神经网络透明化。

本书是清华大学自动化系教材，主要讨论统计模式识别理论和方法，第一版包括贝叶斯决策理论、线性和非线性判别函数、近邻规则、经验风险最小化、特征提取和选择，以及聚类分析，等等。多数章后附有习题，适合于数学和自学。 第二版在第一版基础上进行了较多的修订和补充，增加了关于人工神经网络、模糊模式识别、模拟退火和遗传算法，以及统计学习理论和支持向量机等内容，还介绍了模式识别在人脸识别、说话人语音识别及字符识别等中的应用实例。

本书围绕模式识别的基本概念、基础理论和典型方法，从实际应用问题出发，系统描述了模式识别的常用方法和常见技巧，并给出了一系列实验及应用案例。本书首先介绍了机器视觉的概念及特征提取的概念和方法；其次介绍了线性分类模型、非线性分类模型、时间序列预测模型和混合模型等理论知识与实践操作；最后重点介绍了图像识别、视频目标检测与跟踪、语音识别、生物特征识别和医学图像检索等典型应用。