模式识别与神经网络（英文版）

　　1 Introduction and Examples1
　　1.1 How do neural methods differ?4
　　1.2 The patterm recognition task5
　　1.3 Overview of the remaining chapters9
　　1.4 Examples10
　　1.5 Literature15
　　2 Statistical Decision Theory17
　　2.1 Bayes rules for known distributions18
　　2.2 Parametric models26
　　2.3 Logistic discrimination43
　　2.4 Predictive classification45
　　2.5Alternative estimation procedures55
　　2.6 How complex a model do we need?59
　　2.7 Performance assessment66
　　2.8 Computational learning approaches77
　　3 Linear DiscriminantAnalysis91
　　3.1 Classical linear discriminatio92
　　3.2 Linear discriminants via regression101
　　3.3 Robustness105
　　3.4 Shrinkage methods106
　　3.5 Logistic discrimination109
　　3.6 Linear separatio andperceptrons116
　　4 Flexible Diseriminants121
　　4.1 Fitting smooth parametric functions122
　　4.2 Radial basis functions131
　　4.3 Regularization136
　　5 Feed-forward Neural Networks143
　　5.1 Biological motivation145
　　5.2 Theory147
　　5.3 Learning algorithms148
　　5.4 Examples160
　　5.5 Bayesian perspectives163
　　5.6 Network complexity168
　　5.7Approximation results173
　　6 Non-parametric Methods181
　　6.1 Non-parametric estlmation of class densities181
　　6.2 Nearest neighbour methods191
　　6 3 Learning vector quantization201
　　6.4 Mixture representations207
　　7 Tree-structured Classifiers213
　　7.1 Splitting rules216
　　7.2 Pruning rules221
　　7.3 Missing values231
　　7.4 Earlier approaches235
　　7.5 Refinements237
　　7.6 Relationships to neural networks240
　　7.7 Bayesian trees241
　　8 Belief Networks243
　　8.1 Graphical models and networks246
　　8.2 Causal networks262
　　8 3 Learning the network structure275
　　8.4 Boltzmann machines279
　　8.5 Hierarchical mixtures of experts283
　　9 Unsupervised Methods287
　　9.1 Projection methods288
　　9.2 Multidimensional scaling305
　　9.3 Clustering algorithms311
　　9.4 Self-organizing maps322
　　10 Finding Good Pattern Features327
　　10.1 Bounds for the Bayes error328
　　10.2 Normal class distributions329
　　10.3 Branch-and-bound techniques330
　　10.4 Feature extraction331
　　A Statistical Sidelines333
　　A.1 Maximum likelihood and MAP estimation333
　　A.2 TheEMalgorithm334
　　A.3 Markov chain Monte Carlo337
　　A.4Axioms for dconditional indcpcndence339
　　A.5 Oprimization342
　　Glossary347
　　References355
　　Author Index391
　　Subject Index399

　　里普利（B.D.Ripley）著名的统计学家，牛津大学应用统计教授。他在空间统计学、模式识别领域作出了重要贡献，对S的开发以及S-PLUSUS和R的推广应用有着重要影响。20世纪90年代他出版了人工神经网络方面的著作，影响很大，引导统计学者开始关注机器学习和数据挖掘。除本书外，他还著有Modern Applied Statistics with S和S Programming。

　　《模式识别与神经网络(英文版)》是模式识别和神经网络方面的名著，讲述了模式识别所涉及的统计方法、神经网络和机器学习等分支。书的内容从介绍和例子开始，主要涵盖统计决策理论、线性判别分析、弹性判别分析、前馈神经网络、非参数方法、树结构分类、信念网、无监管方法、探寻优良的模式特性等方面的内容。
　　《模式识别与神经网络(英文版)》可作为统计与理工科研究生课程的教材，对模式识别和神经网络领域的研究人员也是极有价值的参考书。