本书简单回顾了机器学习的基本概念，以及机器学习的研究方法和进展，着重介绍了隐马尔可夫模型扣支持向量机两种机器学习方法在甲骨文信息处理中的应用情况。本书的组织结构如下：章是关于机器学习的概念及其相关技术和研究现状；第2章介绍了甲骨文信息化的概念和研究现状，对甲骨文著录信息化系统进行了详细描述，同时从语料加工和字形拆分方面对甲骨文字形进行了分析研究；第3章利用自然语言处理技术对甲骨卜辞进行了分析，实现了基于隐马尔可夫模型的机器自动分词和词性标注；第4章详细介绍了支持向量机技术的基本理论知识，分析了预处理时涉及的相关知识，很终利用支持向量机技术对甲骨文字形分类进行了研究；第5章分析了甲骨文图像研究现状和支持向量机在图像检测和定位方面的应用研究，提出了支持向量机应用于甲骨拓片文字定位中的方法。

章 绪论
1.1 引言
1.2 机器学习概述
1.2.1 机器学习的基本概念
1.2.2 机器学习的发展历程
1.2.3 机器学习的方法
1.3 机器学习的研究现状
1.3.1 文本分类
1.3.2 目标检测
1.4 机器学习中的主要算法
1.4.1 决策树算法
1.4.2 朴素贝叶斯算法
1.4.3 支持向量机算法
1.4.4 人工神经网络算法
1.4.5 深度学习
1.5 本书的结构和组织
参考文献
第2章 甲骨文信息处理
2.1 甲骨文信息处理简介
2.1.1 中文信息处理概述
2.1.2 甲骨文信息处理
2.2 甲骨文信息处理研究现状
2.2.1 甲骨文输入和可视化
2.2.2 甲骨文字形库的构建
2.2.3 甲骨文数据库
2.2.4 甲骨文字分割和识别
2.2.5 甲骨文拓片缀合
2.2.6 甲骨文语义分析
2.2.7 甲骨文计算机辅助翻译技术研究
2.2.8 甲骨文著录信息化
2.3 甲骨文字形结构分析及单字拆分
2.3.1 甲骨文字形结构分析
2.3.2 单字拆分过程及结果
2.4 总结
参考文献
第3章 基于隐马尔可夫模型技术的甲骨卜辞的分析研究
3.1 基于隐马尔可夫模型技术的甲骨卜辞的研究背景和意义
3.1.1 研究背景
3.1.2 研究意义
3.2 自然语言处理综述
3.2.1 自然语言处理概述
3.2.2 自然语言处理所涉及的几个层次
3.2.3 自然语言处理的基本方法及发展
3.2.4 自然语言处理的研究现状
3.3 隐马尔可夫模型
3.3.1 隐马尔可夫模型的定义
3.3.2 隐马尔可夫模型理论基础
3.3.3 隐马尔可夫模型的形式描述
3.3.4 隐马尔可夫模型的3个基本问题
3.3.5 隐马尔可夫模型在分词和词性标注方面的应用
3.4 语料库
3.4.1 语料库的定义
3.4.2 语料库的分类
3.4.3 语料库的应用
3.4.4 语料库的发展和研究现状
3.4.5 甲骨文语料库
3.5 基于隐马尔可夫模型的甲骨卜辞词性标注
3.5.1 系统设计
3.5.2 查询功能的实现
3.5.3 分词的实现
3.5.4 词性标注的实现
3.5.5 结论
3.6 总结与展望
参考文献
第4章 基于支持向量机的甲骨文字结构分析研究
4.1 统计学习理论基础
4.1.1 统计学习一致性的条件
4.1.2 VC维
4.1.3 推广性的界
4.1.4 结构风险最小化
4.2 支持向量机
4.2.1 最优分类面
4.2.2 非线性支持向量机
4.2.3 几种常见核函数
4.2.4 多类分类问题
4.2.5 支持向量机的优势
4.3 支持向量机分类技术在文字检测领域应用
4.4 基于支持向量机的甲骨文字形结构分析
4.4.1 甲骨文字形构件分析
4.4.2 几种分类方法比较
4.4.3 特征提取
4.4.4 支持向量机学习及分类
4.4.5 系统实现
4.4.6 结果
4.5 总结与展望
参考文献
第5章 基于支持向量机的甲骨拓片图像处理研究
5.1 引言
5.1.1 常见基于计算机视觉的文本定位方法
5.1.2 甲骨文图形研究现状
5.1.3 甲骨拓片单字检测和定位方法
5.1.4 基于支持向量机的文本图像定位研究
5.2 数字图像处理
5.2.1 数字图像处理的相关概念及应用
5.2.2 数字图像处理的相关方法和结果
5.3 基于支持向量机的拓片文字定位方法研究
5.3.1 实验数据
5.3.2 步骤描述
5.4 总结
参考文献