機器學習理論與應用

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反覆運算學習控制研究現狀

第2章機器學習理論與應用數學基礎
2.1概率分佈的性質
2.2大數定律
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矩陣的因數分解
2.8稠密及其完備性
2.9向量範數
2.10矩陣範數
2.11矩陣擾動分析
2.12廣義逆矩陣

第3章機器學習程式設計基礎
3.1Python安裝及環境搭建
3.2Python編譯器
3.3Python資料類型
3.4變數與常量
3.5運算子
3.6選擇與迴圈
3.7列表與元組
3.8Numpy陣列
3.9字典
3.10函數
3.11物件導向的程式設計
3.12Python調用MATLAB程式

第4章基於OpenCV和Python的機器學習
4.1Marr視覺計算理論
4.2圖像的表示和視覺化
4.3閾值處理及圖像濾波
4.4基於OpenCV和Python的機器學習

第5章極大似然估計
5.1統計估計基礎
5.2點估計
5.3區間估計
5.4基於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極大似然估計
6.3隨機梯度演算法
6.4EM演算法

第7章非參數估計
7.1長條圖方法
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生產過程資料預處理
8.2遞迴限定記憶主元分析（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線性參數模型
9.2核模型
9.3層次模型

第10章半監督學習
10.1流形正則化
10.2協變數移位元的適應
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數
12.2支援向量資料描述
12.3基於正常值的異常檢測
12.4基於KL散度密度比的異常值檢測工業應用

第13章隨機配置網路
13.1隨機配置網路基礎
13.2魯棒隨機配置網路原理
13.3魯棒隨機配置網路應用

第14章強化學習
14.1Q學習
14.2非確定性回報和動作
14.3時間差分演算法
14.4改進Elman網路
14.5基於改進Elman網路的Q學習控制應用

第15章機器人軌跡跟蹤學習控制
15.1反覆運算學習控制方法介紹
15.2反覆運算學習控制基本原理
15.3反覆運算學習控制演算法
15.4反覆運算學習控制主要學習方法
15.5反覆運算學習控制的關鍵技術
15.6任意初始狀態下的反覆運算學習控制
15.7移動機器人軌跡跟蹤反覆運算學習控制
參考文獻