Książka "Automatyczna klasyfikacja obiektów" omawia podstawowe elementy systemów automatycznej klasyfikacji obiektów.

W obrębie klasyfikacji nadzorowanej przedstawione są empiryczne klasyfikatory Bayesa oraz klasyfikatory definiowane w sposób bezpośredni, między innymi maszyna wektorów podpierających i wielowarstwowy perceptron.

Spośród algorytmów grupowania prezentowane są wybrane algorytmy iteracyjnej optymalizacji, algorytmy gęstościowe, grafowe oraz algorytmy wykorzystujące sieci neuronowe. Wszystkie omawiane algorytmy ilustrowane są praktycznymi przykładami z udziałem wygenerowanych zbiorów uczących.

Ponadto pokazane są zastosowania algorytmów klasyfikacji w systemach komputerowego widzenia: rozpoznawania map geodezyjnych i wspomagania diagnozowania jaskry w okulistyce.

Rozdziały:

1. Wprowadzenie
- Przykłady zadania klasyfikacji
- Uogólnianie, niedouczenie i przeuczenie
- Podejścia do klasyfikacji obiektów

2. Elementy składowe zadania klasyfikacji
- Metody reprezentacji obiektów
- Zadanie klasyfikacji nadzorowanej
- Zadanie klasyfikacji nienadzorowanej

3. Empiryczne klasyfikatory Bayesa
- Reguła decyzyjna Bayesa
- Klasyfikatory parametryczne
- Klasyfikatory nieparametryczne

4. Klasyfikatory definiowane w sposób bezpośredni
- Klasyfikatory liniowe
- Uogólnione klasyfikatory liniowe

5. Klasyfikatory definiowane przez struktury symboliczne
- Podstawowe struktury symboliczne
- Strukturalne dopasowanie ciągów
- Strukturalne dopasowanie grafów oparte na izomorfizmie
- Strukturalne dopasowanie grafów oparte na homeomorfizmie
- Strukturalne dopasowanie oparte na metodach reprezentacji wiedzy

6. Klasyfikatory definiowane przez gramatykę
- Gramatyki ciągowe
- Rozszerzenia gramatyki ciągowej
- Algorytm analizy syntaktycznej Earley'a
- Analiza syntaktyczna z korekcją błędów
- Syntaktyczny analizator rysunków liniowych

7. Podziałowe algorytmy grupowania
- Algorytmy iteracyjnej optymalizacji
- Algorytmy gęstościowe
- Algorytmy grafowe
- Algorytmy wykorzystujące sieci neuronowe
- Algorytmy oparte na dopasowaniu modelu statystycznego
- Walidacja grupowania

8. Hierarchiczne algorytmy grupowania
- Aglomeracyjne algorytmy macierzowe
- Grupowanie dużych zbiorów danych

9. Wybór modelu i jego ocena
- Metody wykorzystujące statystyczną teorię uczenia
- Metody eksperymentalne

10. Ekstrakcja i selekcja cech
- Wstępne przetwarzanie danych
- Ekstrakcja cech
- Selekcja cech
- Selekcja cech z wykorzystaniem algorytmów genetycznych