本書講述機器學習的基本理論與應用，使用OpenCV、Python與MATLAB實現(xiàn)涉及的各種機器學習算法。通過理論學習和實踐應用，讀者能夠理解并掌握機器學習的原理和應用，拉近理論與實踐的距離。全書共分15章，主要內容包括：機器學習理論簡介、機器學習理論與應用數(shù)學基礎、機器學習編程基礎、基于OpenCV和Python的機器學習、極大似然估計、高斯混合模型的極大似然估計、非參數(shù)估計、軟測量、學習模型、半監(jiān)督學習、聚類分析、異常值檢測、隨機配置網(wǎng)絡、強化學習、機器人軌跡跟蹤學習控制。本書系統(tǒng)地講解了機器學習的原理、算法和應用，內容全面、實例豐富、注重理論與實踐相結合，不僅適合作為高年級本科生和研究生的教材和參考書，也適合機器學習愛好者作為入門與提高的參考書。
簡介
1.1機器學習簡介
1.2機器學習分類
1.3深度學習
1.4迭代學習控制研究現(xiàn)狀
第2章機器學習理論與應用數(shù)學基礎
2.1概率分布的性質
2.2大數(shù)定律
2.3中心極限定理
2.4偏度、峰度檢驗
2.5線性空間
2.6內積空間
2.7矩陣的因子分解
2.8稠密及其完備性
2.9向量范數(shù)
2.10矩陣范數(shù)
2.11矩陣擾動分析
2.12廣義逆矩陣
第3章機器學習編程基礎
3.1Python安裝及環(huán)境搭建
3.2Python編譯器
3.3Python數(shù)據(jù)類型
3.4變量與常量
3.5運算符
3.6選擇與循環(huán)
3.7列表與元組
3.8Numpy數(shù)組
3.9字典
3.10函數(shù)
3.11面向對象的編程
3.12Python調用MATLAB程序
第4章基于OpenCV和Python的機器學習
4.1Marr視覺計算理論
4.2圖像的表示和可視化
4.3閾值處理及圖像濾波
4.4基于OpenCV和Python的機器學習
第5章極大似然估計
5.1統(tǒng)計估計基礎
5.2點估計
5.3區(qū)間估計
5.4基于高斯模型的極大似然估計
第6章高斯混合模型的極大似然估計
6.1高斯混合模型
6.2高斯混合模型的參數(shù)極大似然估計
6.3隨機梯度算法
6.4EM算法
第7章非參數(shù)估計
7.1直方圖方法
7.2問題描述
7.3核密度估計
7.4最近鄰密度估計
第8章軟測量
8.1生產(chǎn)過程數(shù)據(jù)預處理
8.2遞歸限定記憶主元分析（RFMPCA）
8.3最小二乘支持向量機原理
8.4軟測量模型的應用
第9章學習模型
9.1線性參數(shù)模型
9.2核模型
9.3層次模型
第10章半監(jiān)督學習
10.1流形正則化
10.2協(xié)變量移位的適應
10.3類別平衡變化下的適應
第11章聚類分析
11.1K-Means聚類
11.2FCM聚類
11.3SCM聚類
第12章異常值檢測
12.1密度估計和局部異常因子
12.2支持向量數(shù)據(jù)描述
12.3基于正常值的異常檢測
12.4基于KL散度密度比的異常值檢測工業(yè)應用
第13章隨機配置網(wǎng)絡
13.1隨機配置網(wǎng)絡基礎
13.2魯棒隨機配置網(wǎng)絡原理
13.3魯棒隨機配置網(wǎng)絡應用
第14章強化學習
14.1Q學習
14.2非確定性回報和動作
14.3時間差分算法
14.4改進Elman網(wǎng)絡
14.5基于改進Elman網(wǎng)絡的Q學習控制應用
第15章機器人軌跡跟蹤學習控制
15.1迭代學習控制方法介紹
15.2迭代學習控制基本原理
15.3迭代學習控制算法
15.4迭代學習控制主要學習方法
15.5迭代學習控制的關鍵技術
15.6任意初始狀態(tài)下的迭代學習控制
15.7移動機器人軌跡跟蹤迭代學習控制
參考文獻
書單推薦
