第1章  机器学习简介
  1.1  机器学习方法概述
  1.2  监督学习
    1.2.1  分类
    1.2.2  回归分析
  1.3  无监督学习
    1.3.1  聚类分析
    1.3.2  降维
  1.4  半监督学习
    1.4.1  自我训练
    1.4.2  期望最大化的自我训练
    1.4.3  协同训练
  1.5  主动学习
    1.5.1  不确定度采样
    1.5.2  委员会查询
  1.6  流行的机器学习方法
    1.6.1  主成分分析法
    1.6.2  K均值聚类
    1.6.3  支持向量机
    1.6.4  决策树与随机森林法
    1.6.5  神经网络
  1.7  数据集准备
  参考文献
第2章  行星任务中独特的新挑战
  2.1  跨越50年的水星探测
  2.2  大型复杂数据返回面临的挑战
  2.3  面对未知
  2.4  行星科学中的机器学习
  参考文献
第3章  行星数据的查找与读取
  3.1  数据采集
    3.1.1  简介
    3.1.2  数据处理级别
    3.1.3  PDS
    3.1.4  欧洲空间局行星科学档案
    3.1.5  使用Python读取数据
    3.1.6  要查看的空间
第4章  Python高光谱分析工具（PyHAT）简介
  4.1  简介
  4.2  PyHAT库结构
  4.3  PyHAT轨道
    4.3.1  紧凑型火星侦察成像分光计（CRISM）
    4.3.2  月球矿物学制图仪（M3）
    4.3.3  Kaguya光谱剖面仪
  4.4  原位PyHAT
    4.4.1  基线删除示例
    4.4.2  回归分析示例
    4.4.3  数据勘探示例
    4.4.4  校准转移
  4.5  结论
  参考文献
第5章  教程：如何访问、处理和标记用于机器学习的PDS图像数据
  5.1  简介
  5.2  访问PDS数据产品
    5.2.1  PDS成像图集
    5.2.2  PDS成像节点数据门户
  5.3  对PDs数据产品进行标准图像格式预处理
    5.3.1  PDS图像数据产品
    5.3.2  PDS浏览图像
    5.3.3  转换PDS图像数据产品
  5.4  标记图像数据
    5.4.1  公开可用的标记图像数据集
    5.4.2  用于标记图像数据的工具
  5.5  PDS图像分类器示例结果
    5.5.1  训练集、验证集和测试集
    5.5.2  模型微调
    5.5.3  模型校准与性能
    5.5.4  访问HiRISeNet分类结果
  5.6  总结
  参考文献
第6章  通过学习特定模式回归模型进行行星图像补绘
  6.1  简介
  6.2  相关工作
  6.3  实验数据
  6.4  提出的方法
    6.4.1  直方图聚类的无监督分离
  6.5  网络架构
    6.5.1  训练细节
    6.5.2  基于反射的信息增强方法
  6.6  实验结果
    6.6.1  性能评估
  6.7  结论
  参考文献
第7章  基于无监督学习的水星可见-近红外反射率光谱自动表面制图与分类
  7.1  简介
  7.2  水星与MASCS仪器
  7.3  数据准备
  7.4  从多元数据中学习
    7.4.1  降维：ICA
    7.4.2  流形学习
    7.4.3  聚类分析
    7.4.4  结子各
  参考文献
第8章  绘制土星上的风暴图
  8.1  介绍
    8.1.1  卡西尼-惠更斯号和氨云
  8.2  探索性主成分分析
  8.3  深度学习方法
    8.3.1  预处理和预标记
    8.3.2  神经网络
    8.3.3  训练与超参数优化
    8.3.4  分类验证
  8.4  土星特征图
  参考文献
第9章  行星漫游车的机器学习
  9.1  简介
  9.2  风险和资源感知型AutoNav
    9.2.1  概述
    9.2.2  地形分类
    9.2.3  岩石灾害探测
    9.2.4  基于视觉的滑移和驱动能量预测
  9.3  科学驾驶
    9.3.1  概述
    9.3.2  SCOTI：地形图像的科学说明
    9.3.3  图像相似性搜索
    9.3.4  DBS接口
    9.3.5  科学家的DBS实验
  9.4  测试漫游车演示
  9.5  结论与未来工作
  参考文献
第10章  结合机器学习回归模型和贝叶斯推断来解释遥感数据
  10.1  对精确快进功能的需求
  10.2  反问题的贝叶斯方法
  10.3  基于机器学习的代理模型
  10.4  案例研究：用代理模型约束小行星的热特性
    10.4.1  热物理模拟数据集
    10.4.2  风化层与岩石混合物的红外代理模型
    10.4.3  Itokawa热物理性质的贝叶斯推断
  10.5  数据融合的未来展望
    10.5.1  遥感数据融合
    10.5.2  行星形成理论
    10.5.3  航天器自主性
  参考文献