本書是清華大學自動化繫國家精品課程“模式識別基礎”的教材，跨度三十多年，歷經四版、千錘百煉，整體內容具有繫統性和實用性，兼顧經典內容與學科研究前沿，是一本非常適合教學的經典教材。

●第1章概論1.1模式與模式識別1.2模式識別的主要方法1.3監督模式識別與非監督模式識別1.4模式識別繫統舉例1.5模式識別繫統的典型構成1.6本書的主要內容第2章統計決策方法2.1引言： 一個簡單的例子2.2最小錯誤率貝葉斯決策2.3最小風險貝葉斯決策2.4兩類錯誤率、NeymanPearson決策與ROC曲線2.5正態分布時的統計決策2.5.1正態分布及其性質回顧2.5.2正態分布概率模型下的最小錯誤率貝葉斯決策2.6錯誤率的計算2.6.1正態分布且各類協方差矩陣相等情況下錯誤率的計算2.6.2高維獨立隨機變量時錯誤率的估計2.7離散時間序列樣本的統計決策2.7.1基因組序列的例子2.7.2馬爾可夫模型及在馬爾可夫模型下的貝葉斯決策2.7.3隱馬爾可夫模型簡介2.8小結與討論第3章概率密度函數的估計3.1引言3.2優選似然估計3.2.1優選似然估計的基本原理3.2.2優選似然估計的求解3.2.3正態分布下的優選似然估計3.3貝葉斯估計與貝葉斯學習3.3.1貝葉斯估計3.3.2貝葉斯學習3.3.3正態分布時的貝葉斯估計3.3.4其他分布的情況3.4概率密度估計的非參數方法3.4.1非參數估計的基本原理與直方圖方法3.4.2kN近鄰估計方法3.4.3Parzen窗法第4章隱馬爾可夫模型與貝葉斯網絡4.1引言4.2貝葉斯網絡的基本概念4.3隱馬爾可夫模型（HMM）4.3.1HMM評估問題4.3.2HMM隱狀態推斷問題（解碼問題）4.3.3HMM學習問題4.4樸素貝葉斯分類器（Nave Bayes）4.5在貝葉斯網絡上的條件獨立性4.6貝葉斯網絡模型的學習4.6.1貝葉斯網絡的參數學習4.6.2貝葉斯網絡的結構學習4.7討論第5章線性學習機器與線性分類器5.1引言5．2線性回歸5．3線性判別函數的基本概念5．4Fisher線性判別分析5．5感知器5．6最小平方誤差判別5．7羅傑斯特回歸5．8很優分類超平面與線性支持向量機5．8．1很優分類超平面5．8．2大間隔與推廣能力5．8．3線性不可分情況5．9多類線性分類器5．9．1多個兩類分類器的組合5．9．2多類線性判別函數5．9．3多類羅傑斯特回歸與軟優選5．10討論第6章典型的非線性分類器6．1引言6．2分段線性判別函數6．2．1分段線性距離分類器6．2．2一般的分段線性判別函數6．3二次判別函數6．4多層感知器神經網絡6．4．與感知器6．4．2用多個感知器實現非線性分類6．4．3反向傳播算法6．4．4多層感知器網絡用於模式識別6．4．5神經網絡結構的選擇6．4．6前饋神經網絡與傳統模式識別方法的關繫6．4．7人工神經網絡的一般知識6．5支持向量機6．5．1廣義線性判別函數6．5．2核函數變換與支持向量機6．5．3支持向量機早期應用舉例6．5．4支持向量機的實現算法6．5．5多類支持向量機6．5．6用於函數擬合的支持向量機——支持向量回歸6．6核函數機器6．6．1大間隔機器與核函數機器6．6．2核Fisher判別6．6．3中心支持向量機6．7討論第7章統計學習理論概要7．1引言7．2機器學習問題的提法7．2．1機器學習問題的函數估計表示7．2．2經驗風險最小化原則及其存在的問題7．3學習過程的一致性7．4函數集的容量與VC維7．5推廣能力的界與結構風險最小化原則7．6支持向量機的理論分析7．7不適定問題和正則化方法簡介7．7．1不適定問題7．7．2正則化方法7．7．3常見的正則化方法7．8討論第8章非參數學習機器與集成學習8.1引言8．2近鄰法8．2．1最近鄰法8．2．2k近鄰法8．2．3近鄰法的快速算法8．2．4剪輯近鄰法8．2．5壓縮近鄰法8．3決策樹與隨機森林8．3．1非數值特征的量化8．3．2決策樹8．3．3過學習與決策樹的剪枝8．3．4隨機森林8．4Boosting集成學習8．5討論第9章特征選擇9．1引言9．2用於分類的特征評價準則9．2．1基於類內類間距離的可分性判據9．2．2基於概率分布的可分性判據9．2．3基於熵的可分性判據9．2．4利用統計檢驗作為可分性判據9．3特征選擇的很優算法9．4特征選擇的次優算法9．5遺傳算法9．6包裹法： 以分類性能為準則的特征選擇方法9．7討論第10章特征提取與降維表示10．1引言10．2基於類別可分性判據的特征提取10．3主成分分析10．4KarhunenLoève變換10．4．1KL變換10．4．2用於監督模式識別的KL變換10．5用“本征臉”作為人臉識別的特征10．6高維數據的低維可視化10．7多維尺度(MDS)法10．7．1MDS的基本概念10．7．2古典尺度法10．7．3度量型MDS10．7．4非度量型MDS10．7．5MDS在模式識別中的應用舉例10．8非線性特征變換方法簡介10．8．1核主成分分析(KPCA)10．8．2IsoMap方法和LLE方法10．9tSNE降維可視化方法10．10討論第11章非監督學習與聚類11．1引言11．2基於模型的聚類方法11．3混合模型的估計11.3.1混合密度的優選似然估計11．3．2混合正態分布的參數估計11．4動態聚類算法11．4．1C均值算法(K均值算法)11．4．2ISODATA方法11．4．3基於核的動態聚類算法11．5模糊聚類方法11．5．1模糊集的基本知識11．5．2模糊C均值算法11．5．3改進的模糊C均值算法11．6分級聚類方法11．7自組織映射(SOM)神經網絡11．7．1SOM網絡結構11．7．2SOM學習算法和自組織特性11．7．3SOM網絡用於模式識別11．8一致聚類方法11．9討論第12章深度學習12．1引言12．2人工神經網絡回顧12．3卷積神經網絡(CNN)12．3．1卷積層12．3．2彙集(池化)12．3．3深層卷積神經網絡12．3．4卷積神經網絡的演化和幾個代表性模型12．3．5卷積神經網絡在非圖像數據上的應用舉例12．4循環神經網絡(RNN)12．4．1Hopfield神經網絡12．4．2循環神經網絡12．5長短時記憶模型(LSTM)12．6自編碼器、性玻爾茲曼機與深度信念網絡12．6．1自編碼器12．6．2用多層自編碼器構造深度神經網絡12．6．3性玻爾茲曼機(RBM)12．6．4深度自編碼器與深度信念網絡(DBN)12．7生成模型12．7．1變分自編碼器(VAE)12．7．2生成對抗網絡(GAN)12．8綜合應用舉例12．8．1中文病歷文本生成12．8．2人工基件的生成12．9深度學習算法中的部分常用技巧12．10討論第13章模式識別繫統的評價13．1引言13．2監督模式識別的錯誤率估計13．2．1訓練錯誤率13．2．2測試錯誤率13．2．3交叉驗證13．2．4自舉法與0．632估計13．3有限樣本下錯誤率的區間估計13．3．1問題的提出13．3．2用擾動重采樣估計SVM錯誤率的置信區間13．4特征提取與選擇對分類器性能估計的影響13．5用分類性能進行關繫推斷13．6非監督模式識別繫統性能的評價13．6．1聚類質量的評價13．6．2聚類結果的比較13．7討論第14章常用模式識別與機器學習軟件平臺14.1引言14．2Python中的模式識別工具包14．2．1sklearn中的回歸方法使用舉例14．2．2sklearn中的分類方法使用舉例14．2．3Python下的深度學習編程舉例14．2．4國內研發的深度學習平臺簡介14．3MATLAB中的模式識別工具包14．3．1MATLAB中的回歸方法使用舉例14．3．2MATLAB中的分類方法使用舉例14．4R中的模式識別工具包14．4．1R中的回歸方法使用舉例14．4．2R中的分類方法使用舉例14．5討論第15章討論： 模式識別、機器學習與人工智能15．1模式識別15．2機器學習15分析15．4人工智能15．5展望參考文獻後記索引

繫統介紹模式識別的基本概念、理論體繫、典型方法以及實際應用實例，強調基礎性和實用性，同時兼顧學科發展的**動向，包括了各種典型方法在R和Matlab環境下的現有程序和應用方法，並包括了對針對大數據應用的模式識別方法的討論。

張學工 汪小我 著