机器学习理论与应用

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