机器学习与视觉感知（第2版）

　　《机器学习与视觉感知（第2版）》分为基础篇和高级篇。基础篇介绍机器学习的主要原理和方法、以及最近几年来的新进展，包括机器学习的发展史、决策树学习、PAC模型、贝叶斯学习、支持向量机、AdaBoost、压缩感知、子空间、深度学习与神经网络、MCNs、强化学习等内容。在高级篇部分，主要介绍一下作者多年来在机器学习与视觉感知方面的研究成果，包括HGPP、LDP、KBP、高阶差分码、Kernel Learning、Bag of Feature model等方法原理阐述与应用。

　　张宝昌， 北京航空航天大学自动化学院长聘副教授，特聘研究员。2001-2006年，中国科学院，中科院联合实验室（jdl）2007年优秀论文提名奖。2006-2007，先后在香港中文大学、澳大利亚Griffith University从事研究工作，主要的研究方向为人脸识别、视频理解、机器学习。2008.3-，北航自动化学院，主讲“模式识别与机器学习”“现代控制导论”“机器学习理论与应用”“图像处理系列实验”等课程。自获得博士学位（2007年）以来发表论文40余篇，其中SCI（SCI）检索期刊12篇（其中1篇录用待检索），EI检索16篇，在SCI网络版他引次数155次。

第1章 机器学习的发展史
引言
1．1 机器学习
1．1．1 基本简介
1．1．2 机器学习的定义和研究意义
1．1．3 机器学习的发展史
1．1．4 机器学习的主要策略
1．1．5 机器学习系统的基本结构
1．1．6 机器学习的分类
1．1．7 目前研究领域
1．2 统计模式识别问题
1．2．1 机器学习问题的表示
1．2．2 经验风险最小化
1．2．3 复杂性与推广能力
1．3 统计学习理论的核心内容
1．3．1 学习过程一致性的条件
1．3．2 推广性的界
1．3．3 结构风险最小化
小结
第2章 PAC模型
引言
2．1 基本的PAC模型
2．1．1 PAC简介
2．1．2 基本概念
2．1．3 问题框架
2．2 PAC模型样本复杂度分析
2．2．1 有限空间样本复杂度
2．2．2 无限空间样本复杂度
小结
第3章 决策树学习
引言
3．1 决策树学习概述
3．1．1 决策树
3．1．2 性质
3．1．3 应用
3．1．4 学习
3．2 决策树设计
3．2．1 决策树的特点
3．2．2 决策树的生成
小结
第4章 贝叶斯学习
引言
4．1 贝叶斯学习
4．1．1 贝叶斯公式
4．1．2 最小误差决策
4．1．3 正态密度
4．1．4 最大似然估计
4．2 朴素贝叶斯原理及应用
4．2．1 贝叶斯最佳假设原理
4．2．2 Naive Bayes分类
4．2．3 基于Naive Bayes的文本分类器
4．3 HMM（隐性马氏模型）及应用
4．3．1 马尔科夫性
4．3．2 马尔科夫链
4．3．3 转移概率矩阵
4．3．4 HMM（隐性马尔科夫模型）及应用
小结
第5章 支持向量机
引言
5．1 支持向量机
5．2 支持向量机的核函数选择
5．3 支持向量机的实例
5．4 多类支持向量机
小结
……
第6章 AdaBoost
第7章 压缩感知
第8章 子空间
第9章 深度学习与神经网络
第10章 调制卷积神经网络（MCN）
第11章 强化学习
参考文献