《MATLAB與機器學習》是一部由[美] 麥可·帕拉斯澤克所編著的書籍，機械工業出版社出版發行。
基本介紹
- 書名：MATLAB與機器學習
- 作者：[美] 麥可·帕拉斯澤克
- ISBN：9787111589846
- 出版社：機械工業出版社
出版信息,內容簡介,目錄,
出版信息
- 出版社：機械工業出版社
- ISBN：9787111589846
- 版次：1
- 商品編碼：12310037
- 品牌：機工出版
- 包裝：平裝
- 叢書名：智慧型系統與技術叢書
- 開本：16開
- 出版時間：2018-02-01
- 用紙：膠版紙
- 頁數：304
內容簡介
《MATLAB 與機器學習》以MATLAB為程式語言，從機器學習基本知識到工程實踐，由淺入深，分析包括自動駕駛、飛機智慧型控制等工程套用問題並給出解決方案，該書的寫作得到Mathworks公司官方圖書計畫的支持並收錄其中。
目錄
第一部分 機器學習概論
第1章 機器學習概述
1.1 引言
1.2 機器學習基礎
1.2.1 數據
1.2.2 模型
1.2.3 訓練
1.3 學習機
1.4 機器學習分類
1.5 自主學習方法
1.5.1 回歸
1.5.2 神經網路
1.5.3 支持向量機
1.5.4 決策樹
1.5.5 專家系統
第2章 自主學習的歷史
2.1引言
2.2 人工智慧
2.3 學習控制
2.4 機器學習
2.5 未來
第3章 機器學習軟體
3.1 自主學習軟體
3.2 商業化MATLAB軟體
3.2.1 MathWorks公司產品
3.2.2 普林斯頓衛星系統產品
3.3 MATLAB開源資源
3.3.1 深度學習工具箱
3.3.2 深度神經網路
3.3.3 MatConvNet
3.4 機器學習工具
3.4.1 R語言
3.4.2 Scikit learn
3.4.3 LIBSVM
3.5 最佳化工具
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 機器學習的MATLAB實現
第4章 用於機器學習的MATLAB數據類型
4.1 MATLAB數據類型概述
4.1.1 矩陣
4.1.2 元胞數組
4.1.3 數據結構
4.1.4 數值類型
4.1.5 圖像
4.1.6 數據存儲
4.1.7 Tall數組
4.1.8 稀疏矩陣
4.1.9 表與分類數組
4.1.10 大型MAT檔案
4.2 使用參數初始化數據結構
4.2.1 問題
4.2.2 方法
4.2.3 步驟
4.3 在圖像數據存儲上執行mapReduce
4.3.1 問題
4.3.2 方法
4.3.3 步驟
總結
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 定製二維圖
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 用紋理繪製三維對象
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 構建圖形用戶界面
5.7.1 問題
5.7.2 方法
5.7.3 步驟
總結
第6章 MATLAB機器學習示例
6.1引言
6.2 機器學習
6.2.1 神經網路
6.2.2 面部識別
6.2.3 數據分類
6.3 控制
6.3.1卡爾曼濾波器
6.3.2自適應控制
6.4人工智慧
第7章 基於深度學習的面部識別
7.1線上獲取數據：用於訓練神經網路
7.1.1 問題
7.1.2 方法
7.1.3 步驟
7.2 生成神經網路的訓練數據
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 全連線層
7.6.1 問題
7.6.2 方法
7.6.3 步驟
7.7 確定輸出機率
7.7.1 問題
7.7.2 方法
7.7.3 步驟
7.8 測試神經網路
7.8.1 問題
7.8.2 方法
7.8.3 步驟
7.9 識別圖像
7.9.1 問題
7.9.2 方法
7.9.3 步驟
總結
第8章 數據分類
8.1 生成分類測試數據
8.1.1 問題
8.1.2 方法
8.1.3 步驟
8.2 繪製決策樹
8.2.1 問題
8.2.2 方法
8.2.3 步驟
8.3 決策樹的算法實現
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 手工創建決策樹
8.5.1 問題
8.5.2 方法
8.5.3 步驟
8.6 訓練和測試決策樹
8.6.1 問題
8.6.2 方法
8.6.3 步驟
總結
第9章 基於神經網路的數字分類
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創建神經網路工具箱
9.2.1 問題
9.2.2 方法
9.2.3 步驟
9.3 訓練單一輸出節點的神經網路
9.3.1 問題
9.3.2 方法
9.3.3 步驟
9.4 測試神經網路
9.4.1 問題
9.4.2 方法
9.4.3 步驟
9.5 訓練多輸出節點的神經網路
9.5.1 問題
9.5.2 方法
9.5.3 步驟
總結
第10章 卡爾曼濾波器
10.1 狀態估計器
10.1.1 問題
10.1.2 方法
10.1.3 步驟
10.1.4 傳統卡爾曼濾波器
10.2 使用UKF進行狀態估計
10.2.1 問題
10.2.2 方法
10.2.3 步驟
10.3 使用UKF進行參數估計
10.3.1 問題
10.3.2 方法
10.3.3 步驟
總結
第11章 自適應控制
11.1 自調諧：求振盪器頻率
11.1.1 問題
11.1.2 方法
11.1.3 步驟
11.2 模型參考自適應控制
11.2.1 創建方波輸入
11.2.2 實現模型參考自適應控制
11.2.3 轉子的MRAC系統實現
11.3 飛機的縱向控制
11.3.1 編寫飛機縱向運動的微分方程
11.3.2 利用數值方法尋找平衡狀態
11.3.3 飛機的數值仿真
11.3.4 神經網路中對取值範圍的限定和縮放
11.3.5 尋找學習控制的神經網路
11.3.6 枚舉輸入集合
11.3.7 編寫通用神經網路函式
11.3.8 實現PID控制
11.3.9 飛機俯仰角PID控制演示
11.3.10 創建俯仰動力學的神經網路
11.3.11 非線性仿真中的控制器演示
11.4 輪船駕駛：實現輪船駕駛控制的增益調度
11.4.1 問題
11.4.2 方法
11.4.3 步驟
總結
第12章 自動駕駛
12.1 汽車雷達建模
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 汽車動力學
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 雷達數據的MHT實現
12.5.1問題
12.5.2 方法
12.5.3 步驟
12.5.4 假設形成
12.5.5 軌道剪枝
