Title: Основы статистической теории распознавания образов и машинного обучения
Authors: Мясников В. В.
Keywords: методы построения классификаторов
минимаксный классификатор
языки программирования
учебные издания
таксономия
распознавание образов
Python
искусственный интеллект
классификатор Байеса
классификатор Неймана-Пирсона
классификаторы основанные на оценивании плотностей вероятностей
кластеризация
лабораторные работы
линейные классификаторы
машинное обучение
методы автоматической классификации
методы оптимальной классификации
Issue Date: 2023
Publisher: Изд-во Самар. ун-та
Citation: Мясников, В. В. Основы статистической теории распознавания образов и машинного обучения : практикум / В. В. Мясников ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т). - Самара : Изд-во Самар. ун-та, 2023. - 1 файл (2,7 Мб). - ISBN = 978-5-7883-1932-2. - Текст : электронный
Abstract: Гриф.
Издание представляет собой сборник указаний к лабораторным работам по статистической теории распознавания образов, для каждой изкоторых приводятся описание теоретических основ, задание и список контрольных вопросов. Разделы теоретических основ содержат описания наиболее распространенных методов и алгоритмов статистической теории распознавания образов: методов оптимальной классификации (классификатор Байеса, минимаксный классификатор и классификаторНеймана-Пирсона), методов построения и настройки линейных классификаторов и классификаторов, основанных на оценивании плотностей вероятностей, а также методов автоматической классификации – кластеризации и таксономии. Настоящий практикум предназначен для обучающихся факультета информатики по направлениям 01.03.02 Прикладная математика и информатика и 10.05.03 Информационная безопасность автоматизированных систем.
Используемые программы Adobe Acrobat
Труды сотрудников Самар. ун-та (электрон. версия)
URI: http://repo.ssau.ru/jspui/handle/123456789/57659
ISBN: 978-5-7883-1932-2
Appears in Collections:Учебные издания

Files in This Item:
File SizeFormat 
978-5-7883-1932-2_2023.pdf2.8 MBAdobe PDFView/Open


Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.