　　《經典譯叢·人工智能與智能係統：統計模式識彆（第三版）》係統地介紹統計模式識彆的理論和技術，並討論機器學習領域的諸多問題和相關算法，反映模式識彆理論和技術的研究進展。其中，大部分識彆和分類問題取材於工程學、統計學、計算機科學和社會學等領域的相關應用，並配有應用研究實例。與前版相比，充實或新增瞭關於估計概率密度的貝葉斯方法、估計概率密度的新的非參數方法、新的分類模型、譜聚類問題、分類規則的歸納法、復雜網絡等方麵的介紹。
　　《經典譯叢·人工智能與智能係統：統計模式識彆（第三版）》注重基本概念、基本方法的講述，啓發性強，且應用實例豐富，適閤作為大學高年級和研究生模式識彆課程的教材，也適閤作為從事模式識彆研究和應用工作的相關技術人員的重要參考用書。

作者簡介

　　　Andrew R. Webb和Keith D. Copsey，目前任職於英國Malvern的Mathematics and Data Analysis Consultancy公司，是機器學習方嚮的著名專傢。

內頁插圖

第1章統計模式識彆緒論
1.1 統計模式識彆
1.1.1 引言
1.1.2 基本模型
1.2 解決模式識彆問題的步驟
1.3 問題討論
1.4 統計模式識彆的方法
1.5 基本決策理論
1.5.1 最小錯誤貝葉斯決策規則
1.5.2 最小錯誤貝葉斯決策規則——拒絕分類
1.5.3 最小風險貝葉斯決策規則
1.5.4 最小風險貝葉斯決策規則——拒絕分類
1.5.5 Neyman-Pearson決策規則
1.5.6 最小最大決策
1.5.7 討論
1.6 判彆函數
1.6.1 引言
1.6.2 綫性判彆函數
1.6.3 分段綫性判彆函數
1.6.4 廣義綫性判彆函數
1.6.5 小結
1.7 多重迴歸
1.8 本書梗概
1.9 提示及參考文獻
習題

第2章密度估計的參數法
2.1 引言
2.2 分布參數估計
2.2.1 估計法
2.2.2 預測法
2.3 高斯分類器
2.3.1 詳述
2.3.2 高斯分類器插入估計的推導
2.3.3 應用研究舉例
2.4 處理高斯分類器的奇異問題
2.4.1 引言
2.4.2 樸素貝葉斯
2.4.3 投影到子空間
2.4.4 綫性判彆函數
2.4.5 正則化判彆分析
2.4.6 應用研究舉例
2.4.7 拓展研究
2.4.8 小結
2.5 有限混閤模型
2.5.1 引言
2.5.2 混閤判彆模型
2.5.3 正態混閤模型的參數估計
2.5.4 正態混閤模型協方差矩陣約束
2.5.5 混閤模型分量的數量
2.5.6 期望最大化算法下的極大似然估計
2.5.7 應用研究舉例
2.5.8 拓展研究
2.5.9 小結
2.6 應用研究
2.7 總結和討論
2.8 建議
2.9 提示及參考文獻
習題

第3章密度估計的貝葉斯法
3.1 引言
3.1.1 基本原理
3.1.2 遞歸計算
3.1.3 比例性
3.2 解析解
3.2.1 共軛先驗概率
3.2.2 方差已知的正態分布的均值估計
3.2.3 多元正態分布的均值及協方差矩陣估計
3.2.4 未知類先驗概率的情形
3.2.5 小結
3.3 貝葉斯采樣方案
3.3.1 引言
3.3.2 梗概
3.3.3 貝葉斯分類器的采樣類型
3.3.4 拒絕采樣
3.3.5 均勻比
……
第4章密度估計的非參數法
第5章綫性判彆分析
第6章非綫性判彆分析——核與投影法
第7章規則和決策樹歸納法
第8章組閤方法
第9章性能評價
第10章特徵選擇與特徵提取
第11章聚類
第12章復雜網絡
第13章其他論題
參考文獻