MATLAB與機器學習 ( 簡體 字) |
| 作者：〔美〕邁克爾·帕拉斯澤克（Michael Paluszek） 斯蒂芬妮·托馬斯（Stephanie Thomas）著 | 類別：1. -> 工程繪圖與工程計算 -> Matlab
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 48496
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：1/1/2018 |
| 頁數：287 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111589846 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：機器學習正在眾多學科中變得愈加重要，它應用于工程領域中的自動駕駛汽車技術和金融領域中的股市預測，而醫療專業人員則使用它來輔助診斷。雖然許多優秀的機器學習軟件包可以通過商業購買和開源軟件渠道獲得，但深入理解其中隱藏的算法原理仍然是很有價值的。進而，自己動手編程來實現算法則會更加受益匪淺，因為這樣不僅能夠深入了解商業和開源軟件包中的算法實現方法，還能掌握足夠的背景知識來編寫定制化的機器學習軟件以實現特定的應用需求。
MATLAB的起源正是基于這樣的目的。最初，科學家們使用FORTRAN語言編寫數值軟件來進行矩陣運算。當時，用戶必須通過“編寫-編譯-鏈接-執行”的過程來使用計算機程序，整個過程非常耗時，且極易出錯。MATLAB則為用戶提供了一種腳本語言，用戶只須編寫很少的幾行代碼，立即執行，便可以解決許多問題。MATLAB的內置可視化工具可以進一步幫助用戶更好地理解計算結果。編寫MATLAB程序比編寫FORTRAN程序更為高效和充滿樂趣。
本書旨在幫助用戶利用MATLAB解決一系列寬泛的學習問題。本書包含兩部分：第一部分包括第1∼3章，介紹機器學習的背景知識，其中包括學習控制，其內容通常與機器智能并不緊密相關，在書中我們采用“自主學習”一詞涵蓋所有這些學科。本書第二部分包括第4∼12章，展示了完整的MATLAB機器學習應用示例。第4∼6章針對性地介紹了MATLAB的相關功能，使得機器學習算法非常易于實現。其余章節則給出了應用示例。每一章都提供了特定主題的技術背景和如何實現學習算法的思路。每個示例都由一系列MATLAB函數支持的MATLAB腳本來實現。
本書適用于信息領域中對機器學習感興趣的技術人員和開發者，也適用于其他技術領域中對如何利用機器學習和MATLAB來解決專業領域問題感興趣的技術人員。 |
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。書中首先概述了人工智能與自動控制的歷史，以及機器學習是如何從這些領域之中發展起來的。然后回顧了用于機器學習的商用軟件包，并展示了它們如何適用于該領域。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，并幫助軟件用戶深入領會這些結論。
本書隨后提供了機器學習中若干重要問題的MATLAB完整解決方案，包括人臉識別、自動駕駛和數據分類。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
MATLAB中的商業和開源軟件包
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
面向實際問題的MATLAB應用案例，主要用于大數據中的機器學習問題
書中實例源代碼下載
內容簡介
本書以通用的機器學習算法為主線，以 MATLAB 為主要的編程語言，對目前火熱的機器學習技術進行介紹。本書從人工智能、自動控制的基礎知識開始講述，逐步介紹機器學習在工程中的應用，并闡述機器學習的主要概念、算法和應用實例。針對一些重要應用案例，本書提供了完整的MATLAB機器學習解決方案，并包括所有應用實例的全部源代碼，例如人臉識別、汽車自動駕駛和數據分類。本書是一本涵蓋機器學習和MATLAB應用實例的綜合指南，適合作為相關專業技術人員和本科生的參考書。 |
目錄：推薦序
譯者序
作者簡介
技術審校者簡介
前言
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
參考文獻
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
參考文獻
第3章機器學習軟件
3.1自主學習軟件
3.2商業化MATLAB軟件
3.2.1MathWorks公司產品
3.2.2普林斯頓衛星系統產品
3.3MATLAB開源資源
3.3.1深度學習工具箱
3.3.2深度神經網絡
3.3.3MatConvNet
3.4機器學習工具
3.4.1R語言
3.4.2scikit.learn
3.4.3LIBSVM
3.5優化工具
3.5.1LOQO
3.5.2SNOPT
3.5.3GLPK
3.5.4CVX
3.5.5SeDuMi
3.5.6YALMIP
參考文獻
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
4.1MATLAB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
4.1.7Tall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
參考文獻
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
參考文獻
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訓練多輸出節點的神經網絡
9.5.1問題
9.5.2方法
9.5.3步驟
總結
參考文獻
第10章卡爾曼濾波器
10.1狀態估計器
10.1.1問題
10.1.2方法
10.1.3步驟
10.1.4傳統卡爾曼濾波器
10.2使用UKF進行狀態估計
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
參考文獻
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
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
參考文獻
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
總結
參考文獻 |
| 序： |
