前 言 近年来，随着人工智能和大数据技术的快速发展，学科之间的交叉融合呈现出井喷之势。作为人工智能的核心，机器学习理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。机器学习是一门多学科交叉专业，涵盖概率论、统计学、最优化理论和近似理论等专业知识，主要研究如何从巨量数据中获取隐藏的、有效的、可理解的模型和知识，并以此来优化和提升计算机模拟或实现人类智能的能力。 在人工智能领域的机器学习与控制领域的系统辨识产生深度交叉融合的背景下，本书对数据驱动的学习和模型驱动的推理进行了梳理，使得控制领域的学生和工程师能够深刻理解前沿机器学习和传统控制理论之间的异同及优劣，为进一步科研深造和工程实践提供有力支撑。本书作者长期从事动态系统辨识研究，并开设了本科生“机器学习基础”和研究生“模式识别”等课程。通过科研与教学的互融互补，作者对机器学习和模型推理的内涵理解也逐渐加深，因此编写此书，希望能够对机器学习、模式识别和系统辨识相关专业的教学和科研带来新的启发。 机器学习强调如何实现数据驱动的学习和建模，其对应的模型通常由神经网络或者核函数来近似描述。由于该模型结构不具备明确的物理含义，因此神经网络学习通常被认为是黑箱模型学习。反之，控制领域的动态模型往往具有明确物理意义的结构特征，比如多智能体协同中的拓扑结构具有明确的空间关联特性，因此动态模型学习与推理通常被认为是灰箱学习。根据上述理解，全书内容分为通用机器学习部分（着重强调数据驱动的学习方法）和模型推理部分（着重强调特殊结构模型的学习和推理）。面向不同专业背景或者不同层次的本科生/研究生教学，授课教师可以对教学内容有针对性地进行选择。 在本书的第一篇（机器学习部分），除了讲解经典的统计决策方法、监督学习方法和无监督学习方法，还介绍了最新的集成学习方法（如迁移学习、终身学习和元学习）和深度学习方法（如图神经网络、深度信念网络和深度生成网络），使学生能够掌握机器学习专业方向的前沿理论知识。第二篇（模型推理部分）聚焦自动控制领域中的状态估计、系统辨识和马尔可夫决策等内容，形成更高层次的机器推理内容，适合自动化专业的研究生和工程人员参考学习。 机器学习与推理经历了跨越式发展，研究内容广而深，理论和算法日新月异，本书很难涵盖所有相关内容。作者尽力将机器学习与推理相关的知识进行模块化整理，使读者能够快速了解本门课程的内容架构和知识脉络。由于作者学识有限，书中疏漏和不当之处在所难免。针对机器学习与推理内容的分块化整理，不同专业背景或视角会形成不同的见解，不当之处敬请读者批评指正，不胜感激。 作者 2024年2月

• 暂无课件
• 样章下载
• 暂无网络资源

扫描二维码
下载APP了解更多

版权图片链接