机器学习是一种自动分析所构建模型的数据分析方法。通过迭代地从数据中不断学习，机器学习可以使计算机找到一些隐含的信息量，而这些信息量是无法明确通过编程得到的。 本书以OpenCV 2.4.9为研究工具，对算法—正态贝叶斯分类器、K近邻算法、支持向量机、决策树、AdaBoost、梯度提升树、随机森林、期望极大值、神经网络，不仅具体分析了它们的原理和实现方法，还进行了详细的源码解析，并且给出了基于OpenCV的程序实现范例，充分体现了理论与实践相结合的特点。

第 1章　正态贝叶斯分类器 1

1.1　原理分析 1

1.2　源码解析 8

1.3　应用实例 13

第 2章　K近邻算法 15

2.1　原理分析 15

2.2　源码解析 16

2.3　应用实例 22

第3章　支持向量机 25

3.1　原理分析 25

3.2　源码解析 50

3.3　应用实例 71

第4章　决策树 73

4.1　原理分析 73

4.2　源码解析 81

4.3　应用实例 117

第5章　AdaBoost 120

5.1　原理分析 120

5.2　源码解析 123

5.3　应用实例 140

第6章　梯度提升树 142

6.1　原理分析 142

6.2　源码解析 147

6.3　应用实例 158

第7章　随机森林 161

7.1　原理分析 161

7.2　源码解析 163

7.3　应用实例 171

第8章　随机树 173

8.1　原理分析 173

8.2　源码解析 173

8.3　应用实例 187

第9章　期望极大值 189

9.1　原理分析 189

9.2　源码解析 202

9.3　应用实例 212

第 10章　神经网络 214

10.1　原理分析 214

10.2　源码解析 220

10.3　应用实例 241

附录A　Win7系统下OpenCV 2.4.9与

Visual Studio 2012

编译环境的配置 244

附录B　Win7系统下QT 5.3.1与

OpenCV 2.4.9 编译环境的

配置 248

附录C　级联分类器 252

参考文献 287