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 迴歸
1.5.2 神經網絡
1.5.3 支持嚮量機
1.5.4 決策樹
1.5.5 專傢係統
第2章 自主學習的曆史
2.1引言
2.2 人工智能
2.3 學習控製
2.4 機器學習
2.5 未來
第3章 機器學習軟件
3.1 自主學習軟件
3.2 商業化MATLAB軟件
3.2.1 MathWorks公司産品
3.2.2 普林斯頓衛星係統産品
3.3 MATLAB開源資源
3.3.1 深度學習工具箱
3.3.2 深度神經網絡
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 優化工具
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 錶與分類數組
4.1.10 大型MAT文件
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 二維綫圖
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 構建圖形用戶界麵
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 神經網絡
6.2.2 麵部識彆
6.2.3 數據分類
6.3 控製
6.3.1卡爾曼濾波器
6.3.2自適應控製
6.4人工智能
第7章 基於深度學習的麵部識彆
7.1在綫獲取數據：用於訓練神經網絡
7.1.1 問題
7.1.2 方法
7.1.3 步驟
7.2 生成神經網絡的訓練數據
7.2.1 問題
7.2.2 方法
7.2.3 步驟
7.3 捲積
7.3.1 問題
7.3.2 方法
7.3.3 步驟
7.4捲積層
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 確定輸齣概率
7.7.1 問題
7.7.2 方法
7.7.3 步驟
7.8 測試神經網絡
7.8.1 問題
7.8.2 方法
7.8.3 步驟
7.9 識彆圖像
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 基於神經網絡的數字分類
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創建神經網絡工具箱
9.2.1 問題
9.2.2 方法
9.2.3 步驟
9.3 訓練單一輸齣節點的神經網絡
9.3.1 問題
9.3.2 方法
9.3.3 步驟
9.4 測試神經網絡
9.4.1 問題
9.4.2 方法
9.4.3 步驟
9.5 訓練多輸齣節點的神經網絡
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 自適應控製
11.1 自調諧：求振蕩器頻率
11.1.1 問題
11.1.2 方法
11.1.3 步驟
11.2 模型參考自適應控製
11.2.1 創建方波輸入
11.2.2 實現模型參考自適應控製
11.2.3 轉子的MRAC係統實現
11.3 飛機的縱嚮控製
11.3.1 編寫飛機縱嚮運動的微分方程
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 神經網絡中對取值範圍的限定和縮放
11.3.5 尋找學習控製的神經網絡
11.3.6 枚舉輸入集閤
11.3.7 編寫通用神經網絡函數
11.3.8 實現PID控製
11.3.9 飛機俯仰角PID控製演示
11.3.10 創建俯仰動力學的神經網絡
11.3.11 非綫性仿真中的控製器演示
11.4 輪船駕駛：實現輪船駕駛控製的增益調度
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 汽車的自主傳遞控製
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
· · · · · · (收起)