[分享] 模式识别和场景分析领域奠基性的经典名著--《模式分类》

相较别的书，这本书的图是非常给力的！
　　本来因为看这书比较老了，都没有去看过，最近拿起看了linear discriminant functions这章。
　　
　　原来看支持向量机导论，开头讲线性分类器，几经拿起，怎么都没看下去。这章把svm涉及到的一些名词和来有都解释的非常清楚。
　　
　　另外，光看这一章，最大的感触就是，有图真是好啊。看别的书，也经常会自己想象低维的情况，但是没有个参照，自己想想总是有点神经质的不确定，心里难受。这章基本上把涉及的主要观点都用图画出了2-3维的情况，非常爽，就像现在这天气吃西瓜的感觉。
　　
　　不足：总结评论性的说明、模型的扩展，感觉不够一些，另外，光是这章，自洽是没问题，但是总觉得少了点和其他内容的关联。相比，bishop的prml这方面比较好，有一个整体的框架，不求把所有东西都放进去，也算是全面。也可能是我没看前面章节，前面也列过框架，看过的同志能指出来就好了。这些问题可能是出版比较早，很多理论无法和现在的一些模型关联造成的。

出版者的话
专家指导委员会
译者序
前言
第1章 绪论
1.1 机器感知
1.2 一个例子
1.3 模式识别系统
1.4 设计循环
1.5 学习和适应
1.6 本章小结
全书各章概要
文献和历史评述
参考文献
第2章 贝叶斯决策论
2.1 引言
2.2 贝叶斯决策论——连续特征
2.3 最小误差率分类
2.4 分类器、判别函数及判定面
2.5 正态密度
2.6 正态分布的判别函数
2.7 误差概率和误差积分
2.8 正态密度的误差上界
2.9 贝叶斯决策论——离散特征
2.10 丢失特征和噪声特征
2.11 贝叶斯置信网
2.12 复合贝叶斯决策论及上下文
本章小结
文献和历史评述
习题
上机练习
参考文献
第3章 最大似然估计和贝叶斯参数估计
第4章 非参数技术
第5章 线性判别函数
第6章 多层神经网络
第7章 随机方法
第8章 非度量方法
第9章 独立于算法的机器学习
第10章 无监督学习和聚类
附录A 数学基础
参考文献
索引