本書是12 位博士多年研究視覺機器學習的基礎理論、核心演算法、關鍵技術和應用實作的科學結晶，是作者們多年相關科學研究實作的心得體會和系統歸納。包含K-Means、KNN 學習、回歸學習、決策樹學習、Random Forest、貝氏學習、EM 方法、AdaBoost、SVM 方法、增強學習、流形學習、RBF 學習、稀疏表示、字典學習、BP 學習、CNN 學習、RBM 學習、深度學習、遺傳方法、粒子群方法、蟻群方法共20 個常用視覺機器學習方法。進行深入淺出的說明，以簡單明瞭、豐富圖表、解釋程式、應用為宗旨。
本書特別重視如何將視覺機器學習演算法的理論和實踐結合，解決視覺機器學習領域中的諸多基礎問題，可應用於醫學影像分析、工業自動化、機器人、無人車、人臉檢測與識別、車輛資訊識別、行為檢測與識別、智慧視訊監控等領域。
適合從事視覺機器學習領域研發者參考。
作者序
前言
視覺機器學習非常有用，但是很難找到稱心如意的參考資料，網路上相關資源不少，但是有的泛泛而談，或空洞無味，或無法執行，或效率很低，或缺乏實驗資料，曾經甚是苦悶，回過頭來思考，大家或多或少都有些酸甜苦辣的經驗和教訓。我提議大家就常用視覺機器學習方法，貢獻出自己的收穫，獲得大家一致贊同。於是我們在多次會議討論之後，形成視覺機器學習20課，大家分頭撰寫，然後由我來統籌、修改和補充。經過近一年的努力，終於開花結果，真心希望這本讀書筆記和心得體會能夠讓同道中人少些奔走，免除去蕪存菁、去偽存真的勞苦，熟悉演算法的來源、發展和所以然，掌握演算法的改進方法、實驗模擬流程、原始程式碼和視訊函數庫，使得研究人員和學生們儘快上手，樹立深入研究的信心。
本書是12 位博士多年研究視覺機器學習的基礎理論、核心演算法、關鍵技術和應用實作的科學結晶，是作者們多年相關科學研究實作的心得體會和系統歸納。包含K-Means、KNN 學習、回歸學習、決策樹學習、Random Forest、貝氏學習、EM 方法、AdaBoost、SVM 方法、增強學習、流形學習、RBF 學習、稀疏表示、字典學習、BP 學習、CNN 學習、RBM 學習、深度學習、遺傳方法、粒子群方法、蟻群方法共20 個常用視覺機器學習方法。進行深入淺出的說明，以簡單明瞭、豐富圖表、解釋程式、應用為宗旨，從基本原理、實現方法、改進方法、模擬流程、核心程式、來源程式、實驗資料等方面重點展開，適合於從事醫學影像分析、工業自動化、機器人、無人車、人臉檢測與識別、車輛資訊識別、行為檢測與識別、智慧視訊監控等領域的研究生和技術人員學習參考。
本書程式碼請至佳魁資訊官網http://www.topteam.cc 本書相關部分下載。
前言
視覺機器學習非常有用，但是很難找到稱心如意的參考資料，網路上相關資源不少，但是有的泛泛而談，或空洞無味，或無法執行，或效率很低，或缺乏實驗資料，曾經甚是苦悶，回過頭來思考，大家或多或少都有些酸甜苦辣的經驗和教訓。我提議大家就常用視覺機器學習方法，貢獻出自己的收穫，獲得大家一致贊同。於是我們在多次會議討論之後，形成視覺機器學習20課，大家分頭撰寫，然後由我來統籌、修改和補充。經過近一年的努力，終於開花結果，真心希望這本讀書筆記和心得體會能夠讓同道中人少些奔走，免除去蕪存菁、去偽存真的勞苦，熟悉...
目錄
前言
緒論
第1 講 K-means
1.1 基本原理
1.2 演算法改進
1.3 模擬實驗
1.4 演算法特點
第2 講 KNN 學習
2.1 基本原理
2.2 演算法改進
2.3 模擬實驗
2.4 演算法特點
第3 講 回歸學習
3.1 基本原理
3.2 演算法改進
3.3 模擬實驗
3.4 演算法特點
第4 講 決策樹學習
4.1 基本原理
4.2 演算法改進
4.3 模擬實驗
第5 講 Random Forest 學習
5.1 基本原理
5.2 演算法改進
5.3 模擬實驗
5.4 演算法特點
第6 講 貝氏學習
6.1 基本原理
6.2 演算法改進
6.3 模擬實驗
6.4 演算法特點
第7 講 EM演算法
7.1 基本原理
7.2 演算法改進
7.3 模擬實驗
7.4 演算法特點
第8 講 Adaboost
8.1 基本原理
8.2 演算法改進
8.3 模擬實驗
8.4 演算法特點
第9 講 SVM方法
9.1 基本原理
9.2 演算法改進
9.3 模擬實驗
9.4 演算法特點
第10 講 增強學習
10.1 基本原理
10.2 演算法改進
10.3 模擬實驗
10.4 演算法特點
第11 講 流形學習
11.1 演算法原理
11.2 演算法改進
11.3 演算法模擬
11.4 演算法特點
第12 講 RBF 學習
12.1 基本原理
12.2 演算法改進
12.3 模擬實驗
12.4 演算法特點
第13 講 稀疏表示
13.1 基本原理
13.2 演算法改進
13.3 模擬實驗
13.4 演算法特點
第14 講 字典學習
14.1 基本原理
14.2 演算法改進
14.3 模擬實驗
14.4 以字典學習為基礎的視訊影像降噪方法
14.5 演算法特點
第15 講 BP 學習
15.1 基本原理
15.2 演算法改進
15.3 模擬實驗
15.4 演算法特點
第16 講 CNN 學習
16.1 基本原理
16.2 演算法改進
16.3 模擬實驗
16.4 演算法特點
第17 講 RBM 學習
17.1 基本原理
17.2 演算法改進
17.3 模擬實驗
17.4 演算法特點
第18 講 深度學習
18.1 基本原理
18.2 演算法改進
18.3 模擬實驗
18.4 演算法特點
第19 講 遺傳演算法
19.1 演算法原理
19.2 演算法改進
19.3 演算法模擬
19.4 演算法特點
第20 講 蟻群方法
20.1 基本原理
20.2 演算法改進
20.3 模擬實驗
20.4 演算法特點
前言
緒論
第1 講 K-means
1.1 基本原理
1.2 演算法改進
1.3 模擬實驗
1.4 演算法特點
第2 講 KNN 學習
2.1 基本原理
2.2 演算法改進
2.3 模擬實驗
2.4 演算法特點
第3 講 回歸學習
3.1 基本原理
3.2 演算法改進
3.3 模擬實驗
3.4 演算法特點
第4 講 決策樹學習
4.1 基本原理
4.2 演算法改進
4.3 模擬實驗
第5 講 Random Forest 學習
5.1 基本原理
5.2 演算法改進
5.3 模擬實驗
5.4 演算法特點
第6 講 貝氏學習
6.1 基本原理
6.2 演算法改進
6.3 模擬實驗
6.4 演算法特點
第7 講 EM演算法
7.1 基本原理
...
2024專利防護中