具体描述
作者简介
目录信息
第1章 机器学习概述
1.1 引言
1.2 机器学习基础
1.2.1 数据
1.2.2 模型
1.2.3 训练
1.3 学习机
1.4 机器学习分类
1.5 自主学习方法
1.5.1 回归
1.5.2 神经网络
1.5.3 支持向量机
1.5.4 决策树
1.5.5 专家系统
第2章 自主学习的历史
2.1引言
2.2 人工智能
2.3 学习控制
2.4 机器学习
2.5 未来
第3章 机器学习软件
3.1 自主学习软件
3.2 商业化MATLAB软件
3.2.1 MathWorks公司产品
3.2.2 普林斯顿卫星系统产品
3.3 MATLAB开源资源
3.3.1 深度学习工具箱
3.3.2 深度神经网络
3.3.3 MatConvNet
3.4 机器学习工具
3.4.1 R语言
3.4.2 Scikit learn
3.4.3 LIBSVM
3.5 优化工具
3.5.1 LOQO
3.5.2 SNOPT
3.5.3 GLPK
3.5.4 CVX
3.5.5 SeDuMi
3.5.6 YALMIP
第二部分 机器学习的MATLAB实现
第4章 用于机器学习的MATLAB数据类型
4.1 MATLAB数据类型概述
4.1.1 矩阵
4.1.2 元胞数组
4.1.3 数据结构
4.1.4 数值类型
4.1.5 图像
4.1.6 数据存储
4.1.7 Tall数组
4.1.8 稀疏矩阵
4.1.9 表与分类数组
4.1.10 大型MAT文件
4.2 使用参数初始化数据结构
4.2.1 问题
4.2.2 方法
4.2.3 步骤
4.3 在图像数据存储上执行mapReduce
4.3.1 问题
4.3.2 方法
4.3.3 步骤
总结
第5章MATLAB图形
5.1 二维线图
5.1.1 问题
5.1.2 方法
5.1.3 步骤
5.2二维图形
5.2.1 问题
5.2.2 方法
5.2.3 步骤
5.3 定制二维图
5.3.1 问题
5.3.2 方法
5.3.3 步骤
5.4 三维盒子
5.4.1 问题
5.4.2 方法
5.4.3 步骤
5.5 用纹理绘制三维对象
5.5.1 问题
5.5.2 方法
5.5.3 步骤
5.6 三维图形
5.6.1 问题
5.6.2 方法
5.6.3 步骤
5.7 构建图形用户界面
5.7.1 问题
5.7.2 方法
5.7.3 步骤
总结
第6章 MATLAB机器学习示例
6.1引言
6.2 机器学习
6.2.1 神经网络
6.2.2 面部识别
6.2.3 数据分类
6.3 控制
6.3.1卡尔曼滤波器
6.3.2自适应控制
6.4人工智能
第7章 基于深度学习的面部识别
7.1在线获取数据：用于训练神经网络
7.1.1 问题
7.1.2 方法
7.1.3 步骤
7.2 生成神经网络的训练数据
7.2.1 问题
7.2.2 方法
7.2.3 步骤
7.3 卷积
7.3.1 问题
7.3.2 方法
7.3.3 步骤
7.4卷积层
7.4.1 问题
7.4.2 方法
7.4.3 步骤
7.5 池化
7.5.1 问题
7.5.2 方法
7.5.3 步骤
7.6 全连接层
7.6.1 问题
7.6.2 方法
7.6.3 步骤
7.7 确定输出概率
7.7.1 问题
7.7.2 方法
7.7.3 步骤
7.8 测试神经网络
7.8.1 问题
7.8.2 方法
7.8.3 步骤
7.9 识别图像
7.9.1 问题
7.9.2 方法
7.9.3 步骤
总结
第8章 数据分类
8.1 生成分类测试数据
8.1.1 问题
8.1.2 方法
8.1.3 步骤
8.2 绘制决策树
8.2.1 问题
8.2.2 方法
8.2.3 步骤
8.3 决策树的算法实现
8.3.1 问题
8.3.2 方法
8.3.3 步骤
8.4 生成决策树
8.4.1 问题
8.4.2 方法
8.4.3 步骤
8.5 手工创建决策树
8.5.1 问题
8.5.2 方法
8.5.3 步骤
8.6 训练和测试决策树
8.6.1 问题
8.6.2 方法
8.6.3 步骤
总结
第9章 基于神经网络的数字分类
9.1 生成带噪声的测试图像
9.1.1 问题
9.1.2 方法
9.1.3 步骤
9.2创建神经网络工具箱
9.2.1 问题
9.2.2 方法
9.2.3 步骤
9.3 训练单一输出节点的神经网络
9.3.1 问题
9.3.2 方法
9.3.3 步骤
9.4 测试神经网络
9.4.1 问题
9.4.2 方法
9.4.3 步骤
9.5 训练多输出节点的神经网络
9.5.1 问题
9.5.2 方法
9.5.3 步骤
总结
第10章 卡尔曼滤波器
10.1 状态估计器
10.1.1 问题
10.1.2 方法
10.1.3 步骤
10.1.4 传统卡尔曼滤波器
10.2 使用UKF进行状态估计
10.2.1 问题
10.2.2 方法
10.2.3 步骤
10.3 使用UKF进行参数估计
10.3.1 问题
10.3.2 方法
10.3.3 步骤
总结
第11章 自适应控制
11.1 自调谐：求振荡器频率
11.1.1 问题
11.1.2 方法
11.1.3 步骤
11.2 模型参考自适应控制
11.2.1 创建方波输入
11.2.2 实现模型参考自适应控制
11.2.3 转子的MRAC系统实现
11.3 飞机的纵向控制
11.3.1 编写飞机纵向运动的微分方程
11.3.2 利用数值方法寻找平衡状态
11.3.3 飞机的数值仿真
11.3.4 神经网络中对取值范围的限定和缩放
11.3.5 寻找学习控制的神经网络
11.3.6 枚举输入集合
11.3.7 编写通用神经网络函数
11.3.8 实现PID控制
11.3.9 飞机俯仰角PID控制演示
11.3.10 创建俯仰动力学的神经网络
11.3.11 非线性仿真中的控制器演示
11.4 轮船驾驶：实现轮船驾驶控制的增益调度
11.4.1 问题
11.4.2 方法
11.4.3 步骤
总结
第12章 自动驾驶
12.1 汽车雷达建模
12.1.1 问题
12.1.2 步骤
12.1.3 方法
12.2 汽车的自主传递控制
12.2.1 问题
12.2.2 方法
12.2.3 步骤
12.3 汽车动力学
12.3.1 问题
12.3.2 步骤
12.3.3 方法
12.4 汽车仿真与卡尔曼滤波器
12.4.1 问题
12.4.2 方法
12.4.3 步骤
12.5 雷达数据的MHT实现
12.5.1问题
12.5.2 方法
12.5.3 步骤
12.5.4 假设形成
12.5.5 轨道剪枝
· · · · · · (收起)
读后感
用户评价
这本书的编排逻辑非常具有“工程师思维”，结构清晰得如同一个精心设计的流程图。章节之间的衔接处理得极其自然流畅，从数据预处理的基础环节，到模型构建的骨架搭建，再到最终的性能评估与调优，构成了一个完整且自洽的技术闭环。我特别喜欢它在章节末尾设置的“知识回顾与延伸阅读”部分。它不仅仅是对本章内容的总结，更像是抛出了一系列开放性的问题，引导读者去思考该知识点在更广阔的技术图谱中的位置，以及未来可能的发展方向。这种引导式的学习设计，极大地激发了我的主动探索欲望，而不是被动地接受信息。相较于市面上很多内容堆砌、逻辑跳跃的教材，这本书的“可读性”和“连贯性”做到了一个极高的水准。它像一条铺设整齐的轨道，让读者的思绪可以平稳高速地行驶在知识的前沿，很少会因为结构上的混乱而感到迷失方向。唯一的遗憾是，如果能加入更多关于跨平台部署或云计算环境下的部署实操案例，那就更完美了。
我注意到这本书在对不同技术流派的介绍上，采取了一种非常中立和客观的态度，不偏袒任何一家之言，而是力求全面展示各种主流方法的优劣与适用场景。这一点在讲解模型选择时体现得尤为明显。作者没有简单地宣称“A方法优于B方法”，而是会列举出在特定数据集规模、特定约束条件下，A方法的计算效率高，而在处理非线性关系时，B方法的泛化能力更强。这种细致入微的对比分析，帮助我建立起一个更加辩证和成熟的技术决策框架。它教我的不是“记住哪个公式”，而是“理解何时使用哪个工具”。这种思维上的训练，对我后续独立解决新问题时起到了关键性的指导作用。此外，书中对复杂概念的“类比”运用得十分精妙，往往能瞬间点亮原本混沌的理解。唯一的改进空间可能在于图表质量，部分图表的清晰度略显不足，在需要仔细辨认细节时，偶尔会造成阅读上的小障碍，但整体而言，其内容深度和广度是毋庸置疑的。
这本书最大的价值，或许在于它成功地将一个看似高冷的学科，拉下了“神坛”，使其变得触手可及。它似乎是为那些真正想“干点事情”的实践者量身定制的。书中的语言风格非常贴近行业内部交流的氛围，坦诚、直接，带着一种“我们都是解决问题的人”的共同体意识。它不仅仅是技术手册，更像是一本“行业生存指南”。书中多次穿插了一些关于数据伦理和模型可解释性（XAI）的讨论，这些内容在当前技术热潮中显得尤为重要，体现了作者的责任感和前瞻性。作者并未将这些复杂的伦理问题一笔带过，而是深入分析了其潜在的社会影响和技术应对策略。这让这本书的价值超越了纯粹的技术范畴，上升到了对技术人素养的培养层面。对于希望在这个领域长期发展的人来说，这种视野是极其宝贵的。它不仅仅教会你如何建模，更教会你如何负责任地使用模型。
拿起这本书时，首先吸引我的是它那种非常务实、直击痛点的叙事风格。它不拐弯抹角，直接就抛出了实践中遇到的核心挑战，然后一步步教你如何使用工具去解决它们。我尤其欣赏其中关于“代码实战”部分的安排，几乎每一个理论点后面都紧跟着一个可运行的示例代码块。这对于我们这些“动手型”学习者来说简直是福音——理论看得再多，不如亲手跑通一次程序来得实在。书中的代码注释非常详尽，几乎做到了对每一行关键语句的解释，这极大地降低了调试的难度。在处理一些工程化问题时，作者分享了不少独到的经验和“陷阱规避技巧”，这些内容明显是作者在多年一线工作中总结出来的宝贵财富，远非教科书上的标准流程所能涵盖。不过，这种极度强调实践的风格也带来了一个小小的副作用，那就是在理论背景介绍上显得有些简略。对于那些希望深究“为什么”而非仅关注“怎么做”的读者来说，可能需要再辅以其他更侧重理论推导的文献进行补充阅读。但这瑕不掩瑜，它确实是提升实战技能的利器。
这本书的封面设计简约大气，初读之下，我对它充满了期待。它似乎在尝试构建一个宏大的技术蓝图，从基础概念的梳理到高级应用的拓展，都力求做到面面俱到。特别是开篇对核心理论的阐述，那种层层递进、深入浅出的讲解方式，着实让人眼前一亮。作者似乎非常擅长将复杂枯燥的数学原理，转化为直观易懂的图示和案例。我记得有那么一章，专门讲解了某个算法的迭代过程，通过一系列精妙的图表对比，即便是初学者也能迅速捕捉到其内在逻辑和优化思路。这种对教学细节的打磨，使得阅读过程如同跟随一位经验丰富的导师进行私教，每走一步都有清晰的指引。然而，随着阅读的深入，我发现某些章节的深度和广度似乎没有完全达到我最初的预设，尤其是在对前沿趋势的追踪上，总感觉少了一丝锐气和探索欲，更偏向于经典理论的复述和巩固，这让期待看到最新突破的读者可能会略感意犹未尽。总的来说，这是一本扎实的参考书，适合作为系统学习的基石。
偏向控制 基础算法介绍的还可以
这本书个人认为其价值在于，在大家都使用Python作为编程需要进行智能算法研究的时候，依旧有人为我们提供了使用传统Matlab软件来进行相关智能算法学习的范例，从而为熟练使用已有软件进行研究的科研人员提供了一定的便利条件。
这本书个人认为其价值在于，在大家都使用Python作为编程需要进行智能算法研究的时候，依旧有人为我们提供了使用传统Matlab软件来进行相关智能算法学习的范例，从而为熟练使用已有软件进行研究的科研人员提供了一定的便利条件。
偏向控制 基础算法介绍的还可以
偏向控制 基础算法介绍的还可以
