Това ръководство предоставя добро въведение в приложението на алгоритмите за машинно обучение в различни индустриални и инженерни контексти. То е предназначено да предостави на студентите както теоретичните основи, така и практическите умения, необходими за прилагане на решения за управление,
внедряване на техники за прогнозиране, клъстериране, класификация, оптимизация и вземане на решения.
Книгата започва с преглед на основните концепции на теорията на управлението и машинното обучение и тяхната роля в индустриалните приложения. Тя изследва ключови теми като системи за управление с отворен и затворен контур, събиране на данни и предварителна обработка на данни.
След това продължава с набор от подбрани упражнения, които да улеснят студентите в различните приложения на машинното обучение. В ръководството могат да бъдат намерени упражнения по моделиране на различни динамични системи по първи принципи, или чрез исторически данни, както и приложение на алгоритми за:
Прогнозиране
Техники за създаване/обучение на модели за прогнозиране на времеви редове и взаимо-зависими променливи.
- Средна стойност
- Претеглена средна стойност
- Пълзяща средна стойност
- Единично експоненциално изглаждане
- Двойно експоненциално изглаждане (Метод на Холт)
- Тройно експоненциално изглаждане (Метод на Холт-Уинтърс)
- Регресионен метод (корелационен анализ)
- Рекурентни невронни мрежи (RNN / LSTM)
Клъстериране (Клъстеризация)
Техниките за клъстериране позволяват идентифицирането на естествени групирания и структури в наборите от данни.
- К-среди
Класификация
Разглеждат се алгоритми за класификация на състояния и обекти чрез методи на т.н. изкуствен интелект (чрез изкуствени невронни мрежи).
- Машина с опорни вектори (SVM)
- Многослоен перцептрон (MLP)
- Конволюционна невронна мрежа (CNN)
Оптимизация
Книгата предоставя и упражнение за примерно решение на задача за линейна оптимизация:
- задача на пътуващия търговец
- генерална задача на рутирането.
Взимане на решения
Важна част от всяка интелигентна система за управление е молуда за взимане на решения, особено когато това трябва да се извършва в състояние на несигурност. Ръководството разглежда пример от областта на:
- Размита логика (Fuzzy logic)