<內容簡介>

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。

<章節目錄>

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