MATLAB與機器學習

定　價：￥79.00

作　者：	[美] 邁克爾·帕拉斯?jié)煽耍∕ichael Paluszek）著；李三平陳建平譯譯
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術叢書
標　簽：	計算機/網絡人工智能

購買這本書可以去

ISBN：	9787111589846	出版時間：	2018-02-01	包裝：	平裝
開本：	16開	頁數：	304	字數：

內容簡介

　　本書是關于在MATLAB中使用實例進行機器學習的綜合指南。書中概述了人工智能與自動控制的歷史；回顧了用于機器學習的商用軟件包，并展示了它們如何應用于該領域；接著展示了如何使用MATLAB來解決機器學習問題，以及如何利用MATLAB圖形技術來增強程序員對機器學習結果的理解。本書隨書提供了機器學習中若干重要問題的MATLAB完整解決方案，包括飛機控制、人臉識別、自動駕駛。書中所有的示例和應用程序都提供了完整的源代碼。機器學習包含大量的數學概念與理論。書中以清晰簡潔的方式介紹了其中每個領域的數學知識，即使是并不經常接觸數學理論的讀者也可以輕松理解。工程領域的讀者會看到這些數學知識與他們已經了解的領域技術之間的密切聯系，并將學習到新的技術。本書主要內容：？機器學習領域的知識概述？如何使用MATLAB進行編程和構建機器學習應用程序？用于機器學習的MATLAB圖形技術？面向實際機器學習問題的MATLAB應用案例

作者簡介

　　作者：Michael Paluszek先生現任美國普林斯頓衛(wèi)星系統(tǒng)公司總裁，具有超過30年航空航天技術咨詢服務經驗，曾在通用電氣公司（GE）宇航部門工作，參與并領導過多個美國軍方和民用項目。開發(fā)過多個MATLAB工具箱和軟件包，應用于衛(wèi)星、飛行器、潛艇、機器人和核聚變推進等系統(tǒng)。Paluszek先生獲得了麻省理工學院的電氣工程學士學位、航空航天學碩士和工程學位。他發(fā)表了很多論文，擁有十多項美國專利。作者：Stephanie Thomas女士是位于美國普林斯頓衛(wèi)星系統(tǒng)公司的副總裁。她擁有麻省理工學院獲得航空航天學士學位和碩士學位。Thomas女士在近20年的MATLAB實踐經歷中，她開發(fā)了許多MATLAB軟件工具，包括用于航天器控制工具箱的太陽能帆板模塊、美國空軍的近地軌道衛(wèi)星操控工具、運載火箭分析工具等等。她還為來自澳大利亞、加拿大、巴西和泰國等不同國家的工程師進行了航天器控制工具箱培訓，并為美國太空總署（NASA）、美國空軍和歐洲航天局等提供MATLAB咨詢服務。2016年，Thomas女士因“核聚動力冥王星軌道探測器和登陸器”入選美國太空總署創(chuàng)新資助項目，被任命為美國太空總署NIAC研究員。譯者：李三平，美國麻省大學計算機工程專業(yè)博士，現為DELLEMC中國研究院首席研究員，研究方向主要為深度學習模型與服務框架，云架構的預測分析與智能運維等。已在IEEE Transactions期刊和會議上發(fā)表論文數十篇，申請美國專利20余項。譯者：陳建平，MathWorks 中國資深技術專家，專注于工程大數據分析和高性能計算領域。擁有北京大學學士和碩士學位，并于2008年加入MathWorks公司，之前在 NTT DoCoMo 從事通信算法的研究工作。擁有十余年并行數值算法設計、實現，以及對大規(guī)模工程數據分析和建模的經驗。

圖書目錄

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 神經網絡
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公司產品
3.2.2 普林斯頓衛(wèi)星系統(tǒng)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(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
第4章用于機器學習的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(zhí)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 神經網絡
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人工智能
第7章基于深度學習的面部識別
7.1在線獲取數據：用于訓練神經網絡
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 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 測試神經網絡
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
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
第9章基于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(chuàng)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 訓練單一輸出節(jié)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 訓練多輸出節(jié)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(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 實現模型參考自適應控制
11.2.3 轉子的MRAC系統(tǒng)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(tài)
11.3.3 飛機的數值仿真
11.3.4 神經網絡中對取值范圍的限定和縮放
11.3.5 尋找學習控制的神經網絡
11.3.6 枚舉輸入集合
11.3.7 編寫通用神經網絡函數
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(chuàng)建俯仰動力學的神經網絡
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