●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迭代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概率分布的性質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矩陣的因子分解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章機器學習編程基礎3.1Python安裝及環境搭建3.2Python編譯器3.3Python數據類型3.4變量與常量3.5運算符3.6選擇與循環3.7組3.8Numpy數組3.9字典3.10函數3.11面向對像的編程3.12Python調用MATLAB程序第4章基於OpenCV和Python的機器學習4.1Marr視覺計算理論4.2圖像的表示和可視化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隨機梯度算法6.4EM算法第7章非參數估計7.1直方圖方法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生產過程數據預處理8.2遞歸限定分析（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協變量移位的適應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子12.2支持向量數據描述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章隨機配置網絡13.1隨機配置網絡基礎13.2魯棒隨機配置網絡原理13.3魯棒隨機配置網絡應用第14章強化學習14.1Q學習14.2非確定性回報和動作14.3時間差分算法14.4改進Elman網絡14.5基於改進Elman網絡的Q學習控制應用第15章機器人軌跡跟蹤學習控制15.1迭代學習控制方法介紹15.2迭代學習控制基本原理15.3迭代學習控制算法15.4迭代學習控制主要學習方法15.5迭代學習控制的關鍵技術15.6任意初始狀態下的迭代學習控制15.7移動機器人軌跡跟蹤迭代學習控制參考文獻

本書講述機器學習的基本理論與應用，使用OpenCV、Python與MATLAB實現涉及的各種機器學習算法。通過理論學習和實踐應用，讀者能夠理解並掌握機器學習的原理和應用，拉近理論與實踐的距離。全書共分15章，主要內容包括：機器學習理論簡介、機器學習理論與應用數學基礎、機器學習編程基礎、基於OpenCV和Python的機器學習、極大似然估計、高斯混合模型的極大似然估計、非參數估計、軟測量、學習模型、半監督學習、聚類分析、異常值檢測、隨機配置網絡、強化學習、機器人軌跡跟蹤學習控制。本書繫統地講解了機器學習的原理、算法和應用，內容全面、實例豐富、注重理論與實踐相結合，不僅適合作為高年級本科生和研究生的教材和參考書，也適合機器學習愛好者作為入門與提高的參考書。