机器学习理论与应用

本书讲述机器学习的基本理论与应用，使用OpenCV、Python与MATLAB实现涉及的各种机器学习算法。通过理论学习和实践应用，读者能够理解并掌握机器学习的原理和应用，拉近理论与实践的距离。全书共分15章，主要内容包括：机器学习理论简介、机器学习理论与应用数学基础、机器学习编程基础、基于OpenCV和Python的机器学习、极大似然估计、高斯混合模型的极大似然估计、非参数估计、软测量、学习模型、半监督学习、聚类分析、异常值检测、随机配置网络、强化学习、机器人轨迹跟踪学习控制。本书系统地讲解了机器学习的原理、算法和应用，内容全面、实例丰富、注重理论与实践相结合，不仅适合作为高年级本科生和研究生的教材和参考书，也适合机器学习爱好者作为入门与提高的参考书。

简介 1.1机器学习简介 1.2机器学习分类 1.3深度学习 1.4迭代学习控制研究现状 第2章机器学习理论与应用数学基础 2.1概率分布的性质 2.2大数定律 2.3中心极限定理 2.4偏度、峰度检验 2.5线性空间 2.6内积空间 2.7矩阵的因子分解 2.8稠密及其完备性 2.9向量范数 2.10矩阵范数 2.11矩阵扰动分析 2.12广义逆矩阵 第3章机器学习编程基础 3.1Python安装及环境搭建 3.2Python编译器 3.3Python数据类型 3.4变量与常量 3.5运算符 3.6选择与循环 3.7列表与元组 3.8Numpy数组 3.9字典 3.10函数 3.11面向对象的编程 3.12Python调用MATLAB程序 第4章基于OpenCV和Python的机器学习 4.1Marr视觉计算理论 4.2图像的表示和可视化 4.3阈值处理及图像滤波 4.4基于OpenCV和Python的机器学习 第5章极大似然估计 5.1统计估计基础 5.2点估计 5.3区间估计 5.4基于高斯模型的极大似然估计 第6章高斯混合模型的极大似然估计 6.1高斯混合模型 6.2高斯混合模型的参数极大似然估计 6.3随机梯度算法 6.4EM算法 第7章非参数估计 7.1直方图方法 7.2问题描述 7.3核密度估计 7.4最近邻密度估计 第8章软测量 8.1生产过程数据预处理 8.2递归限定记忆主元分析（RFMPCA） 8.3最小二乘支持向量机原理 8.4软测量模型的应用 第9章学习模型 9.1线性参数模型 9.2核模型 9.3层次模型 第10章半监督学习 10.1流形正则化 10.2协变量移位的适应 10.3类别平衡变化下的适应 第11章聚类分析 11.1K-Means聚类 11.2FCM聚类 11.3SCM聚类 第12章异常值检测 12.1密度估计和局部异常因子 12.2支持向量数据描述 12.3基于正常值的异常检测 12.4基于KL散度密度比的异常值检测工业应用 第13章随机配置网络 13.1随机配置网络基础 13.2鲁棒随机配置网络原理 13.3鲁棒随机配置网络应用 第14章强化学习 14.1Q学习 14.2非确定性回报和动作 14.3时间差分算法 14.4改进Elman网络 14.5基于改进Elman网络的Q学习控制应用 第15章机器人轨迹跟踪学习控制 15.1迭代学习控制方法介绍 15.2迭代学习控制基本原理 15.3迭代学习控制算法 15.4迭代学习控制主要学习方法 15.5迭代学习控制的关键技术 15.6任意初始状态下的迭代学习控制 15.7移动机器人轨迹跟踪迭代学习控制 参考文献