마케팅 포인트
-. ‘패턴인식’이라는 분야에 극히 드문 집필서로, 패턴인식 입문서로 높은 점수를 받았음.
-. 개정판에서는 초판의 단점으로 지적되었던 수식과 그림의 오류 수정하였고,
-. ID 3 알고리즘과 Adaboosting 알고리즘을 추가했다.

도서 특징(책 표지글)
기초 수학 지식부터 패턴인식의 핵심 알고리즘에 이르는 체계적인 접근
▶ 누구를 위한 책인가?
이 책은 패턴인식, 인공지능, 데이터 마이닝에 관심이 많은 전기/전자/컴퓨터 관련학과의 대학원생이나
연구원을 대상으로 한다. 패턴인식을 이해하기 위한 필수 지식인 선형대수학, 확률, 통계의 기초 지식부터 패턴인식의 핵심적인 알고리즘 전반을 설명하며, 일부 알고리즘은 MATLAB을 이용하여 프로그래밍하고 시뮬레이션해봄으로써 이론을 입체적으로 이해할 수 있게 했다.

▶ 무엇을 다루는가?
? 1장 : 패턴 정의 | 패턴인식시스템의설계사이클 | 패턴인식알고리즘성능평가 | 접근법과응용분야
? 2~3장 : 벡터의주요개념 | 행렬식의이해 | 기초통계용어 | 회귀분석 | 전체확률이론
? 4~6장 : 확률변수와 분포 | 통계적결정이론 | 최우추정법에 의한 확률밀도함수 추정 | 선형?이차분류기
? 7~8장 : 벡터양자화와클러스터링 | k-means?EM?LBG 알고리즘 | 가우시안혼합모델
? 9장 : 비모수밀도추정 | 히스토그램 | Parzen 창?k-NNR?스무드커널을이용한밀도 추정
? 10~12장 : 고유벡터와고유값 | 주성분분석 | KL 변환 | PCA를이용한얼굴인식 | 선형판별분석법(LDA), 결정트리학습알고리즘(ID3)
? 13~15장 : 신경망의발전역사 | 헤브?LMS 학습규칙 | 자기 조직화 특징 지도 | SOFM 학습 과정 | SOFM을이용한음성인식 | 유전?진화?정상 상태유전알고리즘
? 16~17장 : 1?2차원동적계획법 | DTW 알고리즘 | 은닉마르코프모델 | 전향?후향 알고리즘 | 비터비?바움-웰치재추정알고리즘
? 18~19장 : 선형?비선형SVM 학습 | 마진 최대화 조건식 | 하알 유사 특징 | AdaBoost 알고리즘 적용

부/장별 내용 요약
1장. 패턴인식의 개요
패턴인식과 관련된 용어들을 정의하고 관련 응용 분야, 패턴인식 시스템의 주요 구성 요소와 패턴인식 문제의 유형 그리고 패턴인식의 접근 방법을 다룬다.

2장. 선형 대수학 : 벡터와 행렬 | 3장. 기초 통계와 확률 이론
2장에서는 선형 대수학의 주요 부분인 벡터 이론의 주요 개념과 행렬대수를 간략히 요약하여 복습한다. 3장에서는 확률 통계적인 패턴인식 방법을 이해하기 위한 준비 단계로, 기초 통계 용어와 통계 파라미터를 간략히 되짚어보고, 몇 가지 확률 이론을 복습한다.

4장. 확률변수와 확률분포 | 5장. 통계적 결정이론과 확률밀도함수의 추정 | 6장. 선형 분류기와 이차 분류기
4장에서는 확률분포와 확률변수 그리고 확률변수의 확장된 개념인 벡터 랜덤변수를 설명하고 이들의 통계적 특성을 알아본다. 또한 대표적인 확률분포인 가우시안 확률분포의 여러 가지 형태를 살펴본 후 특정한 분포를 이루는 데이터를 생성하고, 확률밀도함수의 컨투어를 그려보자. 5장에서는 통계적 결정이론을 이용하여 미지의 패턴을 인식하는 방법을 설명한다. 또한 데이터에서 통계적 모델이 되는 확률밀도함수를 추정하는 대표적인 방법인 최우추정(MLE)법을 소개한다. 6장에서는 선형 분류기와 이차 분류기를 소개한다. 또한 공분산 행렬의 종류에 따른 여러 가지 판별함수의 형태도 알아보자.

7장. 데이터 마이닝의 시작 : 벡터 양자화와 클러스터링
데이터 마이닝의 시작이라고 할 수 있는 벡터 양자화 혹은 클러스터링 방법을 설명한다.

8장. 견고한 확률 모델 : 가우시안 혼합 모델(GMM)
모수적 밀도 추정법에 의한 확률 통계적 패턴인식 접근법을 더욱 견고하게 하기 위한 방법으로GMM이라는 모델링에 관하여 설명한다.

9장. 비모수 밀도 추정법
널리 알려져 있는 비모수 밀도 추정법인 히스토그램에서부터 이를 응용한 커널 밀도 추정(KDE) 그리고k-NNR에 대해 설명한다. 그리고 비모수 밀도 추정으로 얻은 밀도함수를 어떻게 패턴인식에 적용할 것인지 설명한다.

10장. 주성분 분석법(PCA)과 KL 변환 | 11장. 선형 판별 분석법 : LDA
10장에서는 특징 벡터에 대한 차원 축소의 필요성과 응용 분야를 소개하고, 이 주제를 이해하는 데 필요한 수학적 개념인 고유벡터와 고유값에 대해 심화 학습한다. 그리고 주성분 분석법의 개념을 포함하고 있는KL 변환법을 소개하고 이 변환의 특징을 살펴본다. 또한 PCA를 얼굴 인식에 적용한 사례도 알아본다. 11장에서는 PCA와 더불어 클래스 간의 최적 분류에서 특징 벡터의 차원 축소에 이용되는 선형 판별 분석법과 피셔의 선형 판별식을 공부하고 MATLAB으로 직접 시뮬레이션해본다.

12장. 결정 트리 학습 알고리즘 : ID3
결정 트리의 개념을 소개하고, 시드니 대학의 퀸란(Quinlan)이 엔트로피와 정보 이득 개념을 이용하여 제안한 결정 트리 학습 알고리즘인 ID3을 소개한다.

13장. 신경 세포 모델링: 인공 신경망 | 14장. 뇌 영역 모델링:자기 조직화 특징 지도 | 15장.기발한 최적화 방법 :유전 알고리즘
13장에서는 생물학적 신경세포의 연결 결합 관계를 모델링한 인공 신경망 분야의 연구 성과와 제안된 주요 모델들을 역사적 순서에 따라 일별해보고, 패턴인식에 적용하는 방법을 설명한다. 14장에서는 핀란드의 코호넨(Kohonen)이 제안한 뇌의 세포구조 지도를 모델링한 신경망 모델인 자기 조직화 특징 지도(SOFM)의 동작 메커니즘과 응용 분야를 알아본다. 15장에서는 유전 알고리즘의 개념과 주요 구성 요소를 소개하고 순회 판매원 문제에 적용하여 최적해를 구하는 시뮬레이션을 진행해본다.

16장. 시계열 패턴인식의 시작 : 동적 계획법과 DTW
음성과 같은 시계열 패턴인식에 간단하게 적용할 수 있는 DTW라는 알고리즘을 설명한다. 각 문제마다
MATLAB 실습을 통하여 직접 구현해보면서 입체적으로 이해해본다.

17장. 음성인식의 기수 : 은닉 마르코프 모델(HMM)
비정상적이고 복잡한 현상을 모델링하는 데 탁월한 능력을 발휘하여 계량 경제학, 패턴인식, 제어 시스템, DNA 서열 분야, 음성인식에 적용되는 HMM에 대해 살펴본다.

18장. 최적 분류를 향한 끝없는 도전 : SVM
SVM을 이해하기 위한 기본적인 몇 가지 이론을 포함하여 되도록 쉽게SVM 이론을 소개하고, 1차원 데이터에 대한 분류 시험을 직접 실습해본다.

19장. 집약도강(集弱導强) 알고리즘 :AdaBoost
밸리언트와 PAC 학습 모델에서 시작한 Boosting 알고리즘과 이를 실제 데이터 분석에 사용할 수 있도록 개량한 AdaBoost 알고리즘에 대해 살펴본다.