视觉机器学习20讲【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

视觉机器学习20讲PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

绪论1

第1讲 K-means11

1.1 基本原理11

1.2 算法改进13

1.3 仿真实验16

1.4 算法特点18

第2讲 KNN学习20

2.1 基本原理20

2.2 算法改进23

2.3 仿真实验24

2.4 算法特点26

第3讲 回归学习28

3.1 基本原理28

3.1.1 参数回归29

3.1.2 非参数回归30

3.1.3 半参数回归30

3.2 算法改进30

3.2.1 线性回归模型30

3.2.2 多项式回归模型31

3.2.3 主成分回归模型32

3.2.4 自回归模型33

3.2.5 核回归模型33

3.3 仿真实验37

3.3.1 回归学习流程37

3.3.2 基于回归学习的直线边缘提取37

3.3.3 基于回归学习的图像插值39

3.4 算法特点41

第4讲 决策树学习42

4.1 基本原理42

4.1.1 分类与聚类42

4.1.2 决策树43

4.1.3 信息增益的度量标准43

4.1.4 信息增益度量期望的熵降低44

4.1.5 悲观错误剪枝PEP46

4.1.6 基本决策树算法47

4.2 算法改进47

4.2.1 ID3算法47

4.2.2 C4.5算法48

4.2.3 SLIQ算法49

4.2.4 SPRINT算法49

4.3 仿真实验50

4.3.1 用于学习布尔函数的ID3算法伪代码50

4.3.2 C4.5算法构造决策树的伪代码51

4.4 算法特点53

第5讲 Random Forest学习54

5.1 基本原理54

5.1.1 决策树55

5.1.2 Bagging集成学习55

5.1.3 Random Forest方法56

5.2 算法改进57

5.3 仿真实验58

5.3.1 Random Forest分类与回归流程58

5.3.2 Forest-RI和Forest-RC59

5.3.3 基于Random Forest的头部姿态估计59

5.4 算法特点60

第6讲 贝叶斯学习62

6.1 基本原理62

6.2 算法改进63

6.2.1 朴素贝叶斯模型63

6.2.2 层级贝叶斯模型65

6.2.3 增广贝叶斯学习模型66

6.2.4 基于Boosting技术的朴素贝叶斯模型66

6.2.5 贝叶斯神经网络模型66

6.3 仿真实验66

6.3.1 Learn＿Bayse（X，V）67

6.3.2 Classify＿Bayse（X）67

6.4 算法特点68

第7讲 EM算法70

7.1 基本原理70

7.2 算法改进71

7.2.1 EM算法的快速计算71

7.2.2 未知分布函数Pi（y i）的选取74

7.2.3 EM算法收敛性的改进75

7.3 仿真实验77

7.3.1 EM算法流程77

7.3.2 EM算法的伪代码77

7.3.3 EM算法应用——高斯混合模型77

7.4 算法特点79

第8讲 Adaboost81

8.1 基本原理81

8.1.1 Boosting方法81

8.1.2 Adaboost方法82

8.2 算法改进83

8.2.1 权值更新方法的改进83

8.2.2 Adaboost并行算法83

8.3 仿真实验83

8.3.1 Adaboost算法实现流程83

8.3.2 Adaboost算法示例84

8.4 算法特点86

8.4.1 Adaboost算法的优点86

8.4.2 Adaboost算法的缺点87

第9讲 SVM方法88

9.1 基本原理88

9.2 算法改进90

9.3 仿真实验94

9.4 算法特点100

第10讲 增强学习102

10.1 基本原理102

10.2 算法改进105

10.2.1 部分感知模型105

10.2.2 增强学习中的函数估计105

10.2.3 分层增强学习106

10.2.4 多Agent增强学习107

10.3 仿真实验107

10.4 算法特点109

第11讲 流形学习111

11.1 算法原理111

11.1.1 ISOMAP112

11.1.2 LLE113

11.1.3 LE113

11.1.4 HE115

11.2 算法改进115

11.2.1 LPP116

11.2.2 MFA117

11.3 算法仿真119

11.4 算法特点123

第12讲 RBF学习126

12.1 基本原理126

12.1.1 基于RBF函数的内插方法126

12.1.2 RBF神经网络129

12.1.3 数据中心的计算方法130

12.2 算法改进132

12.2.1 针对完全内插问题的改进方法132

12.2.2 针对不适定问题的改进方法133

12.2.3 广义RBF神经网络134

12.3 仿真实验134

12.3.1 基于高斯函数的RBF学习134

12.3.2 RBF学习算法流程135

12.4 算法特点136

第13讲 稀疏表示138

13.1 基本原理138

13.1.1 信号稀疏表示138

13.1.2 贪婪求解算法140

13.1.3 凸优化求解算法141

13.2 算法改进142

13.2.1 组合Lasso （Group Lasso）142

13.2.2 混合Lasso （Fused Lasso）143

13.2.3 弹性网络（Elastic net）143

13.3 仿真实验143

13.3.1 OMP算法143

13.3.2 APG算法144

13.3.3 基于稀疏表示的人脸识别145

13.4 算法特点147

13.4.1 算法优点147

13.4.2 算法缺点147

第14讲 字典学习149

14.1 基本原理149

14.2 算法改进151

14.2.1 最优方向法（MOD）151

14.2.2 K-SVD法151

14.2.3 在线字典学习法151

14.3 仿真实验152

14.3 基于字典学习的视频图像降噪方法153

14.4 算法特点154

14.4.1 算法优点154

14.4.2 算法缺点155

第15讲 BP学习156

15.1 基本原理156

15.1.1 人工神经网络156

15.1.2 BP学习原理157

15.2 算法改进162

15.2.1 改进学习速率163

15.2.2 改进训练样本164

15.2.3 改进损失函数164

15.2.4 改进连接方式165

15.3 仿真实验165

15.4 算法特点167

第16讲 CNN学习170

16.1 基本原理170

16.1.1 神经认知机模型170

16.1.2 CNN算法思想171

16.1.3 CNN网络结构171

16.1.4 CNN网络学习174

16.2 算法改进178

16.2.1 设计新的卷积神经网络训练策略178

16.2.2 使用GPU加速卷积运算过程178

16.2.3 使用并行计算提高网络训练和测试速度179

16.2.4 采用分布式计算提高网络训练和测试速度179

16.2.5 硬件化卷积神经网络179

16.3 仿真实验179

16.3.1 卷积神经网络训练算法仿真179

16.3.2 卷积神经网络实际应用实例181

16.4 算法特点183

16.4.1 算法优点183

16.4.2 算法缺点183

第17讲 RBM学习185

17.1 基本原理185

17.1.1 RBM学习思想185

17.1.2 RBM模型基础186

17.1.3 RBM模型学习189

17.2 算法改进195

17.2.1 方差RBM195

17.2.2 均值方差RBM196

17.2.3 稀疏RBM196

17.2.4 稀疏组RBM197

17.2.5 分类R BM197

17.3 仿真实验198

17.4 算法特点199

17.4.1 算法优点199

17.4.2 算法缺点200

第18讲 深度学习203

18.1 基本原理203

18.2 算法改进212

18.3 仿真实验214

18.4 算法特点215

第19讲 遗传算法218

19.1 算法原理218

19.2 算法改进220

19.2.1 适应度函数设计220

19.2.2 初始群体的选取221

19.3 算法仿真221

19.3.1 图像预处理222

19.3.2 车牌特征选取222

19.3.3 基于遗传算法的车牌定位223

19.4 算法特点225

19.4.1 遗传算法的优点226

19.4.2 遗传算法的不足226

第20讲 蚁群方法228

20.1 基本原理228

20.1.1 群智能228

20.1.2 蚂蚁寻找食物源方法229

20.1.3 蚁群算法的规则230

20.1.4 蚁群算法的实现231

20.2 算法改进232

20.2.1 基于遗传学的改进蚁群算法232

20.2.2 蚁群系统232

20.2.3 精英蚁群系统233

20.2.4 最大最小蚁群系统233

20.2.5 排序蚁群系统234

20.2.6 最优-最差蚂蚁系统235

20.3 仿真实验235

20.3.1 蚁群算法实例235

20.3.2 蚁群算法实现流程236

20.3.3 蚁群算法伪代码237

20.4 算法特点238