전북대학교 전자정보공학부 컴퓨터공학 교수 오일석의 『패턴 인식』. 수학과 알고리즘에 묻혀 자칫 길을 헤맬 만한 곳에서는 적절한 예제가 등장하여 길잡이 역할을 한다. 인물 소개는 독자의 흥미를 자아낸다. EM (가우시언 혼합), 신경망 (퍼셉트론, MLP), SVM, 트리 분류기, HMM 등을 깊이 있게 그러나 예제를 곁들여 쉬운 톤으로 설명한다. 특징 추출과 선택도 상세히 다루고 있고, 군집화 알고리즘도 체계적으로 제시하고 있다. 배깅과 Adaboost같은 혼성 모델도 다루며, 시뮬레이티드 어닐링과 유전 알고리즘이 패턴 인식에 어떻게 활용되는 지도 자세히 설명한다. 모든 알고리즘은 상세한 의사 코드로 작성되어 구현을 도와 준다.

총 12개 장으로 구성되어 있다. 패턴 인식, 분류 그리고 특징, 군집화 등을 체계적으로 배울 수 있다. 11장은 최적화 문제를 푸는데 사용하는 도구를 설명했으며 마지막으로 12장에서는 혼성 모델을 공부한다. 부록에서는 정보 이론을 간략히 설명한다. 또한 부록에서 패턴 인식 공부에 아주 유용한 웹 사이트를 체계적으로 정리해줌으로써 OSS를 포함하여 다양한 정보를 인터넷에서 쉽게 찾을 수 있도록 나침반 역할을 한다.

1장 소개
1.1 왜 패턴 인식인가?
1.2 어떻게 인식하나?
1.3 시스템 설계
1.4 수학
1.5 자원

2장 베이시언 결정 이론
2.1 확률과 통계
2.2 베이시언 분류기
2.3 분별 함수
2.4 정규 분포에서 베이시언 분류기
2.5 베이시언 분류의 특성
2.6 기각 처리

3장 확률 분포 추정
3.1 히스토그램 추정
3.2 최대 우도
3.3 비모수적 방법
3.4 혼합 모델

4장 신경망
4.1 소개
4.2 퍼셉트론
4.3 다층 퍼셉트론

5장 SVM
 5.1 발상
5.2 선형 SVM
 5.3 비선형 SVM
 5.4 구현
5.5 SVM의 특성

6장 질적 분류
6.1 결정 트리
6.2 CART, ID3, 그리고 C4.5
 6.3 스트링 인식기

7장 순차 데이터의 인식
7.1 순차 데이터
7.2 마코프 모델
7.3 은닉 마코프 모델로의 발전
7.4 알고리즘
7.5 부연 설명

8장 특징 추출
8.1 특징 생성의 틀
8.2 영역에서 특징 추출
8.3 변환을 이용한 특징
8.4 시계열 신호에서의 특징 추출
8.5 주성분 분석
8.6 Fisher의 선형 분별
8.7 실용적 관점

9장 특징 선택
9.1 특징의 분별력
9.2 특징 선택 문제의 이해
9.3 전역 탐색 알고리즘
9.4 순차 탐색 알고리즘
9.5 통계적 탐색 연산을 가진 알고리즘

10장 군집화
10.1 정의
10.2 거리와 유사도
10.3 군집화 알고리즘의 분류
10.4 계층 군집화
10.5 분할 군집화
10.5.1 순차 알고리즘
10.6 신경망
10.7 통계적 탐색

11장 최적화 알고리즘
11.1 패턴 인식의 최적화 문제와 풀이
11.2 미분을 이용한 방법
11.3 시뮬레이티드 어닐링
11.4 유전 알고리즘
11.5 메타 휴리스틱

12장 혼성 모델
12.1 알고리즘의 성능 특성
12.2 재 샘플링에 의한 성능 평가
12.3 혼성 모델의 발상
12.4 앙상블 생성
12.5 앙상블 결합
12.6 앙상블 선택
12.7 알고리즘을 바라보는 관점

 부록A 정보 이론

 부록B 인터넷 자원
B.1 일반
B.2 포털
B.3 강의 자료
B.4 소프트웨어
B.5 데이터베이스