MATLAB为机器学习领域提供了必要的工具。用户可以借助MATLAB环境提供的强大交互式图形界面，很好轻松地解决机器学习问题。本书在介绍每个主题前，会简要概述其理论基础，然后辅以实际案例进行阐释。通过阅读本书，读者能够应用机器学习方法，并能充分利用MATLAB的功能解决实际问题。《MATLAB机器学习》前3章主要介绍MATLAB机器学习的基础知识、使用MATLAB导入数据和组织数据的方法以及从数据到知识发掘的方法，中间3章主要介绍回归分析、分类分析以及无监督学习，很后3章介绍人工神经网络、降维变换的方法以及机器学习实战的相关知识。本书可供数据分析员、数据科学家以及任何希望学习机器学习算法以及构建数据处理、预测应用的读者阅读。

章MATLAB机器学习初体验1
1.1机器学习基础1
1.2机器学习算法的分类4
1.2.1监督学习4
1.2.2非监督学习5
1.2.3强化学习5
1.3选择正确的算法6
1.4构建机器学习模型的流程7
1.5MATLAB中的机器学习支持简介8
1.5.1操作系统、硬件平台要求10
1.5.2MATLAB安装要求11
1.6统计机器学习工具箱11
1.6.1数据类型13
1.6.2统计机器学习工具箱功能简介13
1.7神经网络工具箱18
1.8MATLAB中的统计学和线性代数19
1.9总结21
第2章使用MATLAB导入数据和组织数据22
2.1熟悉MATLAB桌面22
2.2将数据导入MATLAB27
2.2.1导入向导27
2.2.2通过程序语句导入数据29
2.3从MATLAB导出数据36
2.4处理媒体文件37
2.4.1处理图像数据37
2.4.2音频的导入/导出39
2.5数据组织39
2.5.1元胞数组40
2.5.2结构体数组42
2.5.3table类型44
2.5.4分类数组46
2.6总结47
第3章从数据到知识挖掘49
3.1区分变量类别50
3.1.1定量变量50
3.1.2定性变量50
3.2数据准备51
3.2.1初步查看数据51
3.2.2找到缺失值53
3.2.3改变数据类型54
3.2.4替换缺失值54
3.2.5移除缺失值55
3.2.6为表格排序56
3.2.7找到数据中的异常值56
3.2.8将多个数据源合并成一个数据源57
3.3探索性统计指标—数值测量59
3.3.1位置测量59
3.3.2分散度的测量61
3.3.3分布形状的测量64
3.4探索性可视化66
3.4.1图形数据统计分析对话框67
3.4.2柱状图70
3.4.3箱形图75
3.4.4散点图77
3.5总结78
第4章找到变量之间的关系—回归方法80
4.1寻找线性关系80
4.1.1最小二乘回归81
4.1.2基本拟合接口86
4.2如何创建一个线性回归模型88
4.2.1通过稳健回归消除异常值的影响93
4.2.2多元线性回归96
4.3多项式回归101
4.4回归学习器App103
4.5总结107
第5章模式识别之分类算法108
5.1决策树分类108
5.2概率分类模型—朴素贝叶斯分类115
5.2.1概率论基础116
5.2.2使用朴素贝叶斯进行分类119
5.2.3MATLAB中的贝叶斯方法120
5.3判别分析分类123
5.4k邻近算法128
5.5MATLAB分类学习器App132
5.6总结136
第6章无监督学习137
6.1聚类分析简介137
6.1.1相似度与离散度指标138
6.1.2聚类方法类型简介139
6.2层次聚类算法141
6.2.1层次聚类中的相似度指标141
6.2.2定义层次聚类中的簇143
6.2.3如何理解层次聚类图145
6.2.4验证聚类结果147
6.3k均值聚类—基于均值聚类148
6.3.1k均值算法148
6.3.2函数kmeans()149
6.3.3silhouette图—可视化聚类结果152
6.4k中心点聚类—基于样本中心聚类153
6.4.1什么是中心点154
6.4.2函数kmedoids()154
6.4.3评估聚类结果156
6.5高斯混合模型聚类156
6.5.1高斯分布156
6.5.2MATLAB中的GMM支持157
6.5.3使用后验概率分布进行聚类159
6.6总结160
第7章人工神经网络——模拟人脑的思考方式162
7.1神经网络简介162
7.2神经网络基础构成165
7.2.1隐藏层数量170
7.2.2每层的节点数量170
7.2.3神经网络训练方法170
7.3神经网络工具箱171
7.4工具箱的用户界面175
7.5使用神经网络进行数据拟合176
7.5.1如何使用拟合App（nftool）178
7.5.2脚本分析186
7.6总结188
第8章降维——改进机器学习模型的性能190
8.1特征选择190
8.1.1分步回归191
8.1.2MATLAB中的分步回归192
8.2特征提取199
8.3总结210
第9章机器学习实战211
9.1用于预测混凝土质量的数据拟合211
9.2使用神经网络诊断甲状腺疾病222
9.3使用模糊聚类对学生进行分簇226
9.4总结231