这书是在机器学习领域12位博士研究生很多年科学研究机器学习的基础知识、关键优化算法、核心技术和运用实践活动的科学研究结晶体，是创作者们很多年有关科学研究实践活动的体会心得和系统软件小结。
这书从基本理论、保持方法、改善方法、模拟仿真步骤、关键编码、源代码、试验数据信息等层面从入门到精通地论述了20个常见机器学习方法，合适于从业医药学图象剖析、工控自动化、智能机器人、无人驾驶汽车、图像识别与识别、车辆采集的信息识别、个人行为检验与识别、智能化视频监控系统等领域的硕士研究生和专业技术人员。
《视觉机器学习20讲》是电子计算机、自动化技术、信息内容、电子器件与通讯课程方位的著作，详细地详细介绍了K-Means、KNN学习、重归学习、决策树学习、RandomForest、贝叶斯学习、EM优化算法、Adaboost、SVM方法、提高学习、流形学习、RBF学习、稀疏表示、词典学习、BP学习、CNN学习、RBM学习、深层学习、遗传算法、蚁群方法等基本理论；深层次论述了视觉机器学习优化算法的提升方法和试验模拟仿真；系统化小结了其优势和不够。
这书非常高度重视如何把视觉机器学习优化算法的基础理论和实践活动有机化学地融合，处理视觉机器学习领域中的众多基本难题，可运用于医药学图象剖析、工控自动化、智能机器人、无人驾驶汽车、图像识别与识别、车辆采集的信息识别、个人行为检验与识别、智能化视频监控系统等。这书非常高度重视优化算法的广泛性和可保持性，既包括本领域的经典算法，也包括本领域的*科研成果。
这书不但可做为低年级本科毕业与硕士研究生教材内容，并且也是从业视觉机器学习领域产品研发极其有效的参考文献。
目录
- 绪论
- 第1讲 K-means
- 1.1 基本原理
- 1.2 算法改进
- 1.3 仿真实验
- 1.4 算法特点
- 第2讲 KNN学习
- 2.1 基本原理
- 2.2 算法改进
- 2.3 仿真实验
- 2.4 算法特点
- 第3讲 回归学习
- 3.1 基本原理
- 3.1.1 参数回归
- 3.1.2 非参数回归
- 3.1.3 半参数回归
- 3.2 算法改进
- 3.2.1 线性回归模型
- 3.2.2 多项式回归模型
- 3.2.3 主成分回归模型
- 3.2.4 自回归模型
- 3.2.5 核回归模型
- 3.3 仿真实验
- 3.3.1 回归学习流程
- 3.3.2 基于回归学习的直线边缘提取
- 3.3.3 基于回归学习的图像插值
- 3.4 算法特点
- 第4讲 决策树学习
- 4.1 基本原理
- 4.1.1 分类与聚类
- 4.1.2 决策树
- 4.1.3 信息增益的度量标准
- 4.1.4 信息增益度量期望的熵降低
- 4.1.5 悲观错误剪枝
- 4.1.6 基本决策树算法
- 4.2 算法改进
- 4.2.1 ID3算法
- 4.2.2 C4.5算法
- 4.2.3 SLIQ算法
- 4.2.4 SPRINT算法
- 4.3 仿真实验
- 4.3.1 用于学习布尔函数的ID3算法伪代码
- 4.3.2 C4.5算法构造决策树的伪代码
- 4.4 算法特点
- 第5讲 Random Forest学习
- 5.1 基本原理
- 5.1.1 决策树
- 5.1.2 Bagging集成学习
- 5.1.3 Random Forest方法
- 5.2 算法改进
- 5.3 仿真实验
- 5.3.1 Random Forest分类与回归流程
- 5.3.2 Forest-RI和For
- 5.3.3 基于Random Forest的头部姿态估计
- 5.4 算法特点
- 第6讲 贝叶斯学习
- 6.1 基本原理
- 6.2 算法改进
- 6.2.1 朴素贝叶斯模型
- 6.2.2 层级贝叶斯模型
- 6.2.3 增广贝叶斯学习模型
- 6.2.4 基于Boosting技术的朴素贝叶斯模型
- 6.2.5 贝叶斯神经网络模型
- 6.3 仿真实验
- 6.3.1 Learn_Bays
- 6.3.2 Classify_Ba
- 6.4 算法特点
- 第7讲 EM算法
- 7.1 基本原理
- 7.2 算法改进
- 7.2.1 EM算法的快速计算
- 7.2.2 未知分布函数的选取
- 7.2.3 EM算法收敛性的改进
- 7.3 仿真实验
- 7.3.1 EM算法流程
- 7.3.2 EM算法的伪代码
- 7.3.3 EM算法应用——高斯混合模型
- 7.4 算法特点
- 第8讲 Adaboost
- 8.1 基本原理
- 8.1.1 Boosting方法
- 8.1.2 Adaboost方法
- 8.2 算法改进
- 8.2.1 权值更新方法的改进
- 8.2.2 Adaboost并行算法
- 8.3 仿真实验
- 8.3.1 Adaboost算法实现流程
- 8.3.2 Adaboost算法示例
- 8.4 算法特点
- 8.4.1 Adaboost算法的优点
- 8.4.2 Adaboost算法的缺点
- ……
- 第9讲 SVM方法
- 第10讲 增强学习
- 第11讲 流形学习
- 第12讲 RBF学习
- 第13讲 稀疏表示
- 第14讲 字典学习
- 第15讲 BP学习
- 第16讲 CNN学习
- 第17讲 RBM学习
- 第18讲 深度学习
- 第19讲 遗传算法
- 第20讲 蚁群方法
