MATLAB Machine Learning Recipes, 2nd Edition

Manual de recetas técnicas en formato problema-solución que aborda la implementación práctica de algoritmos de aprendizaje automático, estimación de estados y control adaptativo utilizando el entorno numérico de MATLAB. Esta segunda edición de 2019, elaborada por ingenieros aeroespaciales de Princeton Satellite Systems, se adapta a las versiones contemporáneas de MATLAB (R2018b/R2019a). Está pensada para ingenieros mecánicos, aeroespaciales y electrónicos, así como para científicos de datos de nivel intermedio que conocen la sintaxis matricial de MATLAB y buscan aplicar modelos inteligentes en sistemas físicos y dinámicos reales.

Organizado en recetas modulares independientes con código fuente ejecutable, el texto enseña la estructuración y manipulación de datos en MATLAB (tablas, arrays multidimensionales y estructuras) junto con herramientas avanzadas de visualización gráfica bidimensional y tridimensional. Detalla el diseño de filtros de Kalman lineales y no lineales para la estimación de variables dinámicas, técnicas de control adaptativo, modelado con lógica difusa (Fuzzy Logic), clasificación supervisada mediante árboles de decisión, redes neuronales feedforward, clasificación de caracteres y dígitos, reconocimiento de patrones mediante Deep Learning (redes neuronales convolucionales), control neuronal de aeronaves (Neural Aircraft Control), prueba de hipótesis múltiples (Multiple Hypothesis Testing - MHT) orientada al rastreo de trayectorias en vehículos autónomos, y diseño de sistemas expertos basados en casos (Case-Based Reasoning). Emplea activamente Statistics and Machine Learning Toolbox, Deep Learning Toolbox, Fuzzy Logic Toolbox y Control System Toolbox.

El enfoque es puramente práctico y de ingeniería: cada receta plantea un desafío concreto (como rastrear objetivos en movimiento, simular el piloto automático adaptativo de un avión o entrenar un clasificador visual de dígitos) y proporciona el script completo para simularlo y analizar las respuestas temporales o métricas de error. Su valor distintivo reside en conectar el machine learning con la teoría clásica de control y la física aplicada, un nicho escasamente atendido en la bibliografía habitual orientada a la web o al marketing. Deja fuera frameworks de código abierto como Python o PyTorch y requiere contar con licencias activas de MATLAB y sus paquetes propietarios.