MATLAB與機器學習

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(chǔ)
1.2.1 數(shù)據(jù)
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(jīng)網(wǎng)絡(luò)
1.5.3 支持向量機
1.5.4 決策樹
1.5.5 專家系統(tǒng)
第2章 自主學習的歷史
2.1引言
2.2 人工智能
2.3 學習控制
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(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 深度學習工具箱
3.3.2 深度神經(jīng)網(wǎng)絡(luò)
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(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 機器學習的MATLAB實現(xiàn)
第4章 用于機器學習的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
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機器學習示例
6.1引言
6.2 機器學習
6.2.1 神經(jīng)網(wǎng)絡(luò)
6.2.2 面部識別
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自適應控制
6.4人工智能
第7章 基于深度學習的面部識別
7.1在線獲取數(shù)據(jù)：用于訓練神經(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 訓練單一輸出節(jié)點的神經(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 訓練多輸出節(jié)點的神經(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進行狀態(tài)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(shù)估計
10.3.1 問題
10.3.2 方法
10.3.3 步驟
總結(jié)
第11章 自適應控制
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 模型參考自適應控制
11.2.1 創(chuàng)建方波輸入
11.2.2 實現(xiàn)模型參考自適應控制
11.2.3 轉(zhuǎn)子的MRAC系統(tǒng)實現(xiàn)
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(shù)值方法尋找平衡狀態(tài)
11.3.3 飛機的數(shù)值仿真
11.3.4 神經(jīng)網(wǎng)絡(luò)中對取值范圍的限定和縮放
11.3.5 尋找學習控制的神經(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 實現(xiàn)PID控制
11.3.9 飛機俯仰角PID控制演示
11.3.10 創(chuàng)建俯仰動力學的神經(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(shù)據(jù)的MHT實現(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