MATLAB機器學習：人工智能工程實踐（原書第2版）

序
譯者序
前言
作者簡介
第1章 機器學習概述
1．1 引言
1．2 機器學習基礎
1．3 學習機
1．4 機器學習分類體系
1．5 控制
1．6 自主學習方法
1．7 人工智能
1．8 小結(jié)
第2章 用于機器學習的MATLAB數(shù)據(jù)類型
2．1 MATLAB數(shù)據(jù)類型概述
2．2 使用參數(shù)初始化數(shù)據(jù)結(jié)構(gòu)
2．3 在圖像datastore上執(zhí)行mapreduce
2．4 從文件中創(chuàng)建表格
2．5 處理表格數(shù)據(jù)
2．6 使用MATLAB字符串
2．7 小結(jié)
第3章 MATLAB作圖
3．1 二維線圖
3．2 通用二維作圖
3．3 定制二維圖表
3．4 三維盒子
3．5 用紋理繪制三維對象
3．6 通用三維作圖
3．7 構(gòu)建圖形用戶界面
3．8 柱狀圖動畫
3．9 畫一個機器人
3．10 小結(jié)
第4章 卡爾曼濾波
4．1 用線性卡爾曼濾波器實現(xiàn)的狀態(tài)估計器
4．2 使用擴展卡爾曼濾波器進行狀態(tài)估計
4．3 使用無跡卡爾曼濾波器進行狀態(tài)估計
4．4 使用無跡卡爾曼濾波器進行參數(shù)估計
4．5 小結(jié)
第5章 自適應控制
5．1 自調(diào)諧：振蕩器建模
5．2 自調(diào)諧：調(diào)校振蕩器
5．3 模型參考自適應控制的實現(xiàn)
5．4 創(chuàng)建方波輸入
5．5 轉(zhuǎn)子的MRAC演示
5．6 輪船駕駛：實現(xiàn)輪船駕駛控制的增益調(diào)度
5．7 航天器的指向
5．8 小結(jié)
第6章 模糊邏輯
6．1 構(gòu)建模糊邏輯
6．2 模糊邏輯的實現(xiàn)
6．3 演示模糊邏輯
6．4 小結(jié)
第7章 用決策樹進行數(shù)據(jù)分類
7．1 生成測試數(shù)據(jù)
7．2 繪制決策樹
7．3 決策樹的算法實現(xiàn)
7．4 創(chuàng)建決策樹
7．5 手工創(chuàng)建決策樹
7．6 訓練和測試決策樹
7．7 小結(jié)
第8章 神經(jīng)網(wǎng)絡入門
8．1 日光檢測器
8．2 單擺建模
8．3 單神經(jīng)元角度估計器
8．4 為單擺設計神經(jīng)網(wǎng)絡
8．5 小結(jié)
第9章 基于神經(jīng)網(wǎng)絡的數(shù)字分類
9．1 生成帶噪聲的測試圖像
9．2 創(chuàng)建神經(jīng)網(wǎng)絡函數(shù)
9．3 訓練單一輸出節(jié)點的神經(jīng)網(wǎng)絡
9．4 測試神經(jīng)網(wǎng)絡
9．5 訓練多輸出節(jié)點的神經(jīng)網(wǎng)絡
9．6 小結(jié)
第10章 基于深度學習的模式識別
10．1 為訓練神經(jīng)網(wǎng)絡在線獲取數(shù)據(jù)
10．2 產(chǎn)生貓的訓練圖像集
10．3 矩陣卷積
10．4 卷積層
10．5 池化層
10．6 全連接層
10．7 確定輸出概率
10．8 測試神經(jīng)網(wǎng)絡
10．9 識別數(shù)字
10．10 識別圖像
10．11 小結(jié)
第11章 用于飛機控制的神經(jīng)網(wǎng)絡
11．1 縱向運動
11．2 利用數(shù)值方法尋找平衡狀態(tài)
11．3 飛機的數(shù)值仿真
11．4 激活函數(shù)
11．5 學習控制的神經(jīng)網(wǎng)絡
11．6 枚舉數(shù)據(jù)集
11．7 編寫sigma-pi神經(jīng)網(wǎng)絡函數(shù)
11．8 實現(xiàn)PID控制器
11．9 飛機俯仰角PID控制
11．10 創(chuàng)建俯仰動力學的神經(jīng)網(wǎng)絡
11．11 非線性仿真中的控制器演示
11．12 小結(jié)
第12章 多重假設檢驗
12．1 概覽
12．2 理論
12．3 追蹤臺球的卡爾曼濾波器
12．4 追蹤臺球的MHT
12．5 一維運動
12．6 軌道關聯(lián)的一維運動
12．7 小結(jié)
第13章 基于多重假設檢驗的自動駕駛
13．1 汽車動力學
13．2 汽車雷達建模
13．3 汽車的自主車控制
13．4 汽車動畫
13．5 汽車仿真與卡爾曼濾波器
13．6 汽車目標追蹤
13．7 小結(jié)
第14章 基于案例的專家
14．1 構(gòu)建專家
14．2 運行專家
14．3 小結(jié)
附錄A 自主學習的歷史
附錄B 機器學習軟件
參考文獻
中英文術語對照表