1장 소개 ... 1
   1.1 왜 패턴 인식인가? ... 1
      1.1.1 지적 호기심 ... 2
      1.1.2 지능 기계 ... 2
      1.1.3 팽창하는 응용 ... 3
   1.2 어떻게 인식하나? ... 5
      1.2.1 데이터베이스 수집 ... 6
      1.2.2 특징 ... 8
      1.2.3 분류 ... 10
      1.2.4 성능 평가 ... 12
   1.3 시스템 설계 ... 16
   1.4 수학 ... 19
   1.5 자원 ... 22
2장 베이시언 결정 이론 ... 27
   2.1 확률과 통계 ... 28
      2.1.1 확률 기초 ... 28
      2.1.2 평균과 분산 ... 32
      2.1.3 확률 분포의 표현과 추정 ... 36
   2.2 베이시언 분류기 ... 37
      2.2.1 최소 오류 베이시언 분류기 ... 38
      2.2.2 최소 위험 베이시언 분류기 ... 41
      2.2.3 M 부류로 확장 ... 44
   2.3 분별 함수 ... 45
   2.4 정규 분포에서 베이시언 분류기 ... 48
      2.4.1 정규 분포와 분별 함수 ... 48
      2.4.2 선형 분별 ... 51
      2.4.3 2차 분별 ... 54
      2.4.4 최소 거리 분류기 ... 57
   2.5 베이시언 분류의 특성 ... 59
   2.6 기각처리 ... 60
3장 확률 분포 추정 ... 65
   3.1 히스토그램 추정 ... 67
   3.2 최대우도 ... 68
   3.3 비모수적 방법 ... 72
      3.3.1 파젠 창 ... 72
      3.3.2 k-최근접 이웃 추정 ... 75
      3.3.3 k-최근접 이웃 분류기 ... 76
   3.4 혼합 모델 ... 79
      3.4.1 가우시언 혼합 ... 79
      3.4.2 EM 알고리즘 ... 82
4장 신경망 ... 95
   4.1 소개 ... 96
      4.1.1 발상과 전개 ... 96
      4.1.2 수학적 모델로서의 신경망 ... 98
   4.2 퍼셉트론 ... 99
      4.2.1 구조와 원리 ... 99
      4.2.2 학습과 인식 ... 102
      4.2.3 구현 ... 107
   4.3 다충 퍼셉트론 ... 110
      4.3.1 구조와 원리 ... 110
      4.3.2 학습 ... 118
      4.3.3 인식 ... 127
      4.3.4 구현과 몇 가지 부연 설명 ... 128
5장 SVM ... 137
   5.1 발상 ... 138
   5.2 선형 SVM ... 139
      5.2.1 선형 분리 가능한 상황 ... 141
      5.2.2 선형 분리 불가능한 상황 ... 151
   5.3 비선형 SVM ... 158
      5.3.1 커널 대치 ... 158
      5.3.2 커널 대치를 이용한 비선형 SVM ... 162
   5.4 구현 ... 164
      5.4.1 학습 ... 164
      5.4.2 인식 ... 166
      5.4.3 M 부류 SVM ... 168
   5.5 SVM의 특성 ... 169
6장 질적 분류 ... 175
   6.1 결정트리 ... 176
      6.1.1 원리 ... 177
      6.1.2 노드에서의 질문 ... 179
      6.1.3 학습 알고리즘 ... 185
      6.1.4 특성 ... 187
   6.2 CART, ID3, 그리고 C4.5 ... 191
   6.3 스트링 인식기 ... 194
      6.3.1 교정 거리 ... 195
      6.3.2 Levenshtein 거리 ... 197
      6.3.3 Damerau-Levenshtein 거리 ... 204
7장 순차 데이터의 인식 ... 209
   7.1 순차 데이터 ... 210
   7.2 마코프 모델 ... 212
   7.3 은닉 마코프 모델로의 발전 ... 220
      7.3.1 동기 ... 221
      7.3.2 HMM의 예 ... 223
      7.3.3 구성 요소와 세가지 문제 ... 225
   7.4 알고리즘 ... 229
      7.4.1 평가 ... 230
      7.4.2 디코딩 ... 236
      7.4.3 학습 ... 241
   7.5 부연 설명 ... 249
8장 특징 추출 ... 257
   8.1 특징 생성의 틀 ... 258
      8.1.1 실제 세계의 다양성 ... 258
      8.1.2 특징 추출과 특징 선택 ... 259
   8.2 영역에서 특징 추출 ... 262
      8.2.1 모양에 관련한 특징 ... 262
      8.2.2 투영과 프로파일 특징 ... 266
   8.3 변환을 이용한 특징 ... 268
      8.3.1 퓨리에 변환 ... 270
      8.3.2 퓨리에 기술자 ... 273
   8.4 시계열 신호에서의 특징 추출 ... 274
   8.5 주성분 분석 ... 277
      8.5.1 동기 ... 278
      8.5.2 알고리즘과 응용 ... 280
      8.5.3 사례 연구: 고유 얼굴 ... 286
   8.6 Fisher의 선형 분별 ... 288
   8.7 실용적 관점 ... 293
      8.7.1 특징 결합 ... 293
      8.7.2 특징 전처리 ... 295
9장 특징 선택 ... 303
   9.1 특징의 분별력 ... 304
      9.1.1 직관적 이해 ... 304
      9.1.2 분별력 측정 ... 306
   9.2 특징 선택 문제의 이해 ... 308
   9.3 전역 탐색 알고리즘 ... 313
   9.4 순차 탐색 알고리즘 ... 316
   9.5 통계적 탐색 연산을 가진 알고리즘 ... 322
10장 군집화 ... 325
   10.1 정의 ... 327
   10.2 거리와 유사도 ... 330
      10.2.1 특징 값의 종류 ... 331
      10.2.2 거리와 유사도 측정 ... 333
      10.2.3 점 집합을 위한 거리 ... 334
      10.2.4 동적 거리 ... 338
   10.3 군집화 알고리즘의 분류 ... 338
   10.4 계층 군집화 ... 340
      10.4.1 응집 계층 알고리즘 ... 340
      10.4.2 분열 계층 알고리즘 ... 346
   10.5 분할 군집화 ... 347
      10.5.1 순차 알고리즘 ... 348
      10.5.2 k-means 알고리즘 ... 349
      10.5.3 모델 기반 알고리즘 ... 354
   10.6 신경망 ... 356
      10.6.1 자기 조직화 맵 ... 356
      10.6.2 ART ... 362
   10.7 통계적 탐색 ... 366
      10.7.1 시뮬레이티드 어닐링 ... 367
      10.7.2 유전 알고리즘 ... 368
11장 최적화 알고리즘 ... 373
   11.1 패턴 인식의 최적화 문제와 풀이 ... 375
      11.1.1 최적화 문제들 ... 375
      11.1.2 문제 풀이 ... 378
   11.2 미분을 이용한 방법 ... 379
      11.2.1 분석적 풀이 ... 380
      11.2.2 내리막 경사법 ... 381
      11.2.3 라그랑제 승수 ... 385
      11.2.4 최적화 알고리즘과 패턴 인식 문제들 ... 391
   11.3 시뮬레이티드 어닐링 ... 392
   11.4 유전 알고리즘 ... 395
      11.4.1 원리: 내리막 경사법, 시뮬레이티드 어닐링, 그리고 유전 알고리즘 ... 395
      11.4.2 유전 알고리즘의 구조 ... 397
      11.4.3 유전 연산 ... 402
      11.4.4 매개 변수 설정과 선택 압력 ... 408
      11.4.5 찬반 논쟁 ... 409
   11.5 메타 휴리스틱 ... 412
12장 혼성 모델 ... 417
   12.1 알고리즘의 성능 특성 ... 418
   12.2 재 샘플링에 의한 성능 평가 ... 423
   12.3 혼성 모델의 발상 ... 426
      12.3.1 동기 ... 426
      12.3.2 이유 ... 429
   12.4 앙상블 생성 ... 431
      12.4.1 배깅 ... 432
      12.4.2 부스팅 ... 433
   12.5 앙상블 결합 ... 436.
      12.5.1 부류 표지 ... 438
      12.5.2 부류 순위 ... 442
      12.5.3 부류 확률 ... 442
   12.6 앙상블 선택 ... 444
      12.6.1 다양성 척도 ... 445
      12.6.2 선택 알고리즘 ... 450
   12.7 알고리즘을 바라보는 관점 ... 453
부록A 정보 이론 ... 459
부록B 인터넷 자원 ... 465
   B.1 일반 ... 465
   B.2 포털 ... 466
   B.3 강의자료 ... 467
   B.4 소프트웨어 ... 467
   B.5 데이터베이스 ... 469
참고문헌 ... 471
찾아보기 ... 483