序一
序二
前言
第1章　機器學習方法 1
1.1　引言 1
1.2　學習模型的全局視角 2
1.3　學習技術的分類 8
1.4　機器學習方法 14
1.5　結論 23
致謝 24
參考文獻 24
第2章　從數據中學習**性原理知識 29
2.1　引言 29
2.2　分析制造業數據的方法 30
2.3　模型選擇與超參數搜索的自動化 41
2.4　結論 44
參考文獻 45
第3章　卷積神經網絡：基本概念及其在制造業中的應用 48
3.1　引言 48
3.2　數據對象與數學表征 50
3.3　卷積神經網絡架構 54
3.4　案例研究 59
3.5　結論 74
致謝 75
參考文獻 75
第4章　稀疏數學規劃及其在控制方程基礎學習中的應用 81
4.1　引言 81
4.2　問題定義 82
4.3　物理信息化機器學習 85
4.4　基于回歸的方法 88
4.5　基于數學規劃的技術 92
4.6　滾動時域在間歇化學過程的應用實例 97
4.7　結論 102
參考文獻 102
第5章　數據驅動的優化算法 105
5.1　引言 105
5.2　數據驅動的優化算法途徑 106
5.3　應用于大規模制造系統的數據驅動的優化算法 116
5.4　針對其他問題類別的擴展 117
5.5　備注 126
5.6　結論 127
參考文獻 127
第6章　機器學習在（生物）化學制造系統控制中的應用 144
6.1　引言 144
6.2　（生物）化學過程 146
6.3　ML-Oracle與機器學習方法概述 153
6.4　機器學習支持的建模在監督和控制中的應用 164
6.5　通過機器學習實現控制 172
6.6　結論 178
參考文獻 180
第7章　從數據中學習**性原理系統知識：穩定性與安全性及其在示范學習中的應用 192
7.1　引言 192
7.2　使用動態系統原語學習機器人運動 197
7.3　結論 206
致謝 208
參考文獻 208
第8章　人工智能在材料損傷診斷和預測中的應用 212
8.1　引言 212
8.2　人工智能方法在材料損傷診斷和預測中的應用 215
8.3　人工智能方法在損傷診斷和預測領域的挑戰與機遇 235
8.4　結論 236
參考文獻 237
第9章　人工智能在機械加工過程監控中的應用 245
9.1　引言 245
9.2　數據采集系統 248
9.3　特征工程與機器學習 251
9.4　信號分解方法 264
9.5　深度學習 266
9.6　遷移學習 270
9.7　結論 273
致謝 273
參考文獻 274