MATLAB與機(jī)器學(xué)習(xí)

第一部分 機(jī)器學(xué)習(xí)概論
第1章 機(jī)器學(xué)習(xí)概述
1.1 引言
1.2 機(jī)器學(xué)習(xí)基礎(chǔ)
1.2.1 數(shù)據(jù)
1.2.2 模型
1.2.3 訓(xùn)練
1.3 學(xué)習(xí)機(jī)
1.4 機(jī)器學(xué)習(xí)分類
1.5 自主學(xué)習(xí)方法
1.5.1 回歸
1.5.2 神經(jīng)網(wǎng)絡(luò)
1.5.3 支持向量機(jī)
1.5.4 決策樹
1.5.5 專家系統(tǒng)
第2章 自主學(xué)習(xí)的歷史
2.1引言
2.2 人工智能
2.3 學(xué)習(xí)控制
2.4 機(jī)器學(xué)習(xí)
2.5 未來
第3章 機(jī)器學(xué)習(xí)軟件
3.1 自主學(xué)習(xí)軟件
3.2 商業(yè)化MATLAB軟件
3.2.1 MathWorks公司產(chǎn)品
3.2.2 普林斯頓衛(wèi)星系統(tǒng)產(chǎn)品
3.3 MATLAB開源資源
3.3.1 深度學(xué)習(xí)工具箱
3.3.2 深度神經(jīng)網(wǎng)絡(luò)
3.3.3 MatConvNet
3.4 機(jī)器學(xué)習(xí)工具
3.4.1 R語言
3.4.2 Scikit learn
3.4.3 LIBSVM
3.5 優(yōu)化工具
3.5.1 LOQO
3.5.2 SNOPT
3.5.3 GLPK
3.5.4 CVX
3.5.5 SeDuMi
3.5.6 YALMIP

第二部分 機(jī)器學(xué)習(xí)的MATLAB實(shí)現(xiàn)
第4章 用于機(jī)器學(xué)習(xí)的MATLAB數(shù)據(jù)類型
4.1 MATLAB數(shù)據(jù)類型概述
4.1.1 矩陣
4.1.2 元胞數(shù)組
4.1.3 數(shù)據(jù)結(jié)構(gòu)
4.1.4 數(shù)值類型
4.1.5 圖像
4.1.6 數(shù)據(jù)存儲(chǔ)
4.1.7 Tall數(shù)組
4.1.8 稀疏矩陣
4.1.9 表與分類數(shù)組
4.1.10 大型MAT文件
4.2 使用參數(shù)初始化數(shù)據(jù)結(jié)構(gòu)
4.2.1 問題
4.2.2 方法
4.2.3 步驟
4.3 在圖像數(shù)據(jù)存儲(chǔ)上執(zhí)行mapReduce
4.3.1 問題
4.3.2 方法
4.3.3 步驟
總結(jié)
第5章MATLAB圖形
5.1 二維線圖
5.1.1 問題
5.1.2 方法
5.1.3 步驟
5.2二維圖形
5.2.1 問題
5.2.2 方法
5.2.3 步驟
5.3 定制二維圖
5.3.1 問題
5.3.2 方法
5.3.3 步驟
5.4 三維盒子
5.4.1 問題
5.4.2 方法
5.4.3 步驟
5.5 用紋理繪制三維對(duì)象
5.5.1 問題
5.5.2 方法
5.5.3 步驟
5.6 三維圖形
5.6.1 問題
5.6.2 方法
5.6.3 步驟
5.7 構(gòu)建圖形用戶界面
5.7.1 問題
5.7.2 方法
5.7.3 步驟
總結(jié)
第6章 MATLAB機(jī)器學(xué)習(xí)示例
6.1引言
6.2 機(jī)器學(xué)習(xí)
6.2.1 神經(jīng)網(wǎng)絡(luò)
6.2.2 面部識(shí)別
6.2.3 數(shù)據(jù)分類
6.3 控制
6.3.1卡爾曼濾波器
6.3.2自適應(yīng)控制
6.4人工智能
第7章 基于深度學(xué)習(xí)的面部識(shí)別
7.1在線獲取數(shù)據(jù)：用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)
7.1.1 問題
7.1.2 方法
7.1.3 步驟
7.2 生成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)
7.2.1 問題
7.2.2 方法
7.2.3 步驟
7.3 卷積
7.3.1 問題
7.3.2 方法
7.3.3 步驟
7.4卷積層
7.4.1 問題
7.4.2 方法
7.4.3 步驟
7.5 池化
7.5.1 問題
7.5.2 方法
7.5.3 步驟
7.6 全連接層
7.6.1 問題
7.6.2 方法
7.6.3 步驟
7.7 確定輸出概率
7.7.1 問題
7.7.2 方法
7.7.3 步驟
7.8 測試神經(jīng)網(wǎng)絡(luò)
7.8.1 問題
7.8.2 方法
7.8.3 步驟
7.9 識(shí)別圖像
7.9.1 問題
7.9.2 方法
7.9.3 步驟
總結(jié)
第8章 數(shù)據(jù)分類
8.1 生成分類測試數(shù)據(jù)
8.1.1 問題
8.1.2 方法
8.1.3 步驟
8.2 繪制決策樹
8.2.1 問題
8.2.2 方法
8.2.3 步驟
8.3 決策樹的算法實(shí)現(xiàn)
8.3.1 問題
8.3.2 方法
8.3.3 步驟
8.4 生成決策樹
8.4.1 問題
8.4.2 方法
8.4.3 步驟
8.5 手工創(chuàng)建決策樹
8.5.1 問題
8.5.2 方法
8.5.3 步驟
8.6 訓(xùn)練和測試決策樹
8.6.1 問題
8.6.2 方法
8.6.3 步驟
總結(jié)
第9章 基于神經(jīng)網(wǎng)絡(luò)的數(shù)字分類
9.1 生成帶噪聲的測試圖像
9.1.1 問題
9.1.2 方法
9.1.3 步驟
9.2創(chuàng)建神經(jīng)網(wǎng)絡(luò)工具箱
9.2.1 問題
9.2.2 方法
9.2.3 步驟
9.3 訓(xùn)練單一輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)
9.3.1 問題
9.3.2 方法
9.3.3 步驟
9.4 測試神經(jīng)網(wǎng)絡(luò)
9.4.1 問題
9.4.2 方法
9.4.3 步驟
9.5 訓(xùn)練多輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)
9.5.1 問題
9.5.2 方法
9.5.3 步驟
總結(jié)
第10章 卡爾曼濾波器
10.1 狀態(tài)估計(jì)器
10.1.1 問題
10.1.2 方法
10.1.3 步驟
10.1.4 傳統(tǒng)卡爾曼濾波器
10.2 使用UKF進(jìn)行狀態(tài)估計(jì)
10.2.1 問題
10.2.2 方法
10.2.3 步驟
10.3 使用UKF進(jìn)行參數(shù)估計(jì)
10.3.1 問題
10.3.2 方法
10.3.3 步驟
總結(jié)
第11章 自適應(yīng)控制
11.1 自調(diào)諧：求振蕩器頻率
11.1.1 問題
11.1.2 方法
11.1.3 步驟
11.2 模型參考自適應(yīng)控制
11.2.1 創(chuàng)建方波輸入
11.2.2 實(shí)現(xiàn)模型參考自適應(yīng)控制
11.2.3 轉(zhuǎn)子的MRAC系統(tǒng)實(shí)現(xiàn)
11.3 飛機(jī)的縱向控制
11.3.1 編寫飛機(jī)縱向運(yùn)動(dòng)的微分方程
11.3.2 利用數(shù)值方法尋找平衡狀態(tài)
11.3.3 飛機(jī)的數(shù)值仿真
11.3.4 神經(jīng)網(wǎng)絡(luò)中對(duì)取值范圍的限定和縮放
11.3.5 尋找學(xué)習(xí)控制的神經(jīng)網(wǎng)絡(luò)
11.3.6 枚舉輸入集合
11.3.7 編寫通用神經(jīng)網(wǎng)絡(luò)函數(shù)
11.3.8 實(shí)現(xiàn)PID控制
11.3.9 飛機(jī)俯仰角PID控制演示
11.3.10 創(chuàng)建俯仰動(dòng)力學(xué)的神經(jīng)網(wǎng)絡(luò)
11.3.11 非線性仿真中的控制器演示
11.4 輪船駕駛：實(shí)現(xiàn)輪船駕駛控制的增益調(diào)度
11.4.1 問題
11.4.2 方法
11.4.3 步驟
總結(jié)
第12章 自動(dòng)駕駛
12.1 汽車?yán)走_(dá)建模
12.1.1 問題
12.1.2 步驟
12.1.3 方法
12.2 汽車的自主傳遞控制
12.2.1 問題
12.2.2 方法
12.2.3 步驟
12.3 汽車動(dòng)力學(xué)
12.3.1 問題
12.3.2 步驟
12.3.3 方法
12.4 汽車仿真與卡爾曼濾波器
12.4.1 問題
12.4.2 方法
12.4.3 步驟
12.5 雷達(dá)數(shù)據(jù)的MHT實(shí)現(xiàn)
12.5.1問題
12.5.2 方法
12.5.3 步驟
12.5.4 假設(shè)形成
12.5.5 軌道剪枝