簡介
1.1機(jī)器學(xué)習(xí)簡介
1.2機(jī)器學(xué)習(xí)分類
1.3深度學(xué)習(xí)
1.4迭代學(xué)習(xí)控制研究現(xiàn)狀
第2章機(jī)器學(xué)習(xí)理論與應(yīng)用數(shù)學(xué)基礎(chǔ)
2.1概率分布的性質(zhì)
2.2大數(shù)定律
2.3中心極限定理
2.4偏度、峰度檢驗(yàn)
2.5線性空間
2.6內(nèi)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(dòng)分析
2.12廣義逆矩陣
第3章機(jī)器學(xué)習(xí)編程基礎(chǔ)
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(yùn)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?qū)ο蟮木幊?br>3.12Python調(diào)用MATLAB程序
第4章基于OpenCV和Python的機(jī)器學(xué)習(xí)
4.1Marr視覺計(jì)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(jī)器學(xué)習(xí)
第5章極大似然估計(jì)
5.1統(tǒng)計(jì)估計(jì)基礎(chǔ)
5.2點(diǎn)估計(jì)
5.3區(qū)間估計(jì)
5.4基于高斯模型的極大似然估計(jì)
第6章高斯混合模型的極大似然估計(jì)
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(jì)
6.3隨機(jī)梯度算法
6.4EM算法
第7章非參數(shù)估計(jì)
7.1直方圖方法
7.2問題描述
7.3核密度估計(jì)
7.4最近鄰密度估計(jì)
第8章軟測(cè)量
8.1生產(chǎn)過程數(shù)據(jù)預(yù)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(jī)原理
8.4軟測(cè)量模型的應(yīng)用
第9章學(xué)習(xí)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(xué)習(xí)
10.1流形正則化
10.2協(xié)變量移位的適應(yīng)
10.3類別平衡變化下的適應(yīng)
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(cè)
12.1密度估計(jì)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(cè)
12.4基于KL散度密度比的異常值檢測(cè)工業(yè)應(yīng)用
第13章隨機(jī)配置網(wǎng)絡(luò)
13.1隨機(jī)配置網(wǎng)絡(luò)基礎(chǔ)
13.2魯棒隨機(jī)配置網(wǎng)絡(luò)原理
13.3魯棒隨機(jī)配置網(wǎng)絡(luò)應(yīng)用
第14章強(qiáng)化學(xué)習(xí)
14.1Q學(xué)習(xí)
14.2非確定性回報(bào)和動(dòng)作
14.3時(shí)間差分算法
14.4改進(jìn)Elman網(wǎng)絡(luò)
14.5基于改進(jìn)Elman網(wǎng)絡(luò)的Q學(xué)習(xí)控制應(yīng)用
第15章機(jī)器人軌跡跟蹤學(xué)習(xí)控制
15.1迭代學(xué)習(xí)控制方法介紹
15.2迭代學(xué)習(xí)控制基本原理
15.3迭代學(xué)習(xí)控制算法
15.4迭代學(xué)習(xí)控制主要學(xué)習(xí)方法
15.5迭代學(xué)習(xí)控制的關(guān)鍵技術(shù)
15.6任意初始狀態(tài)下的迭代學(xué)習(xí)控制
15.7移動(dòng)機(jī)器人軌跡跟蹤迭代學(xué)習(xí)控制
參考文獻(xiàn)