人工智能：機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

第1章 緒論
1．1 人工智能及其實(shí)現(xiàn)途徑
1．1．1 智能的外在表現(xiàn)與模擬
1．1．2 機(jī)器學(xué)習(xí)
1．1．3 人工神經(jīng)網(wǎng)絡(luò)
1．2 機(jī)器學(xué)習(xí)簡史
1．3 人工神經(jīng)網(wǎng)絡(luò)簡史
1．4 本書內(nèi)容與組織
參考文獻(xiàn)
第2章 機(jī)器學(xué)習(xí)基礎(chǔ)
2．1 機(jī)器學(xué)習(xí)
2．2 機(jī)器學(xué)習(xí)方式
2．3 歸納學(xué)習(xí)類型
2．3．1 監(jiān)督學(xué)習(xí)
2．3．2 非監(jiān)督學(xué)習(xí)
2．3．3 半監(jiān)督學(xué)習(xí)
2．3．4 強(qiáng)化學(xué)習(xí)
2．3．5 各學(xué)習(xí)類型的特點(diǎn)與共性
2．4 特定學(xué)習(xí)概念
2．4．1 生成學(xué)習(xí)與判別學(xué)習(xí)
2．4．2 度量學(xué)習(xí)
2．4．3 在線學(xué)習(xí)／遞增學(xué)習(xí)
2．4．4 反饋學(xué)習(xí)
2．4．5 多任務(wù)學(xué)習(xí)
2．4．6 深度學(xué)習(xí)
2．4．7 遷移學(xué)習(xí)
2．4．8 流形學(xué)習(xí)
2．4．9 多示例學(xué)習(xí)
2．5 對學(xué)習(xí)算法的評價(jià)
2．5．1 過學(xué)習(xí)與泛化
2．5．2 偏置
2．5．3 數(shù)據(jù)魯棒性
2．5．4 計(jì)算復(fù)雜性
2．5．5 透明性
參考文獻(xiàn)
第3章 監(jiān)督學(xué)習(xí)
3．1 函數(shù)形式
3．1．1 顯式表示形式
3．1．2 隱式表示形式
3．1．3 數(shù)據(jù)點(diǎn)表示形式
3．2 優(yōu)化目標(biāo)
3．2．1 最小平方誤差
3．2．2 最小化熵
3．2．3 極大似然估計(jì)
3．2．4 極大后驗(yàn)概率估計(jì)
3．2．5 最小描述長度
3．3 記憶學(xué)習(xí)
3．4 決策樹學(xué)習(xí)
3．4．1 決策樹
3．4．2 基于信息增益的決策樹生成算法（ID3算法）
3．4．3 ID3算法的過學(xué)習(xí)問題與對策
3．4．4 基于最小描述長度準(zhǔn)則的決策樹學(xué)習(xí)算法
3．5 支持向量機(jī)
……
第4章 相似性度量
第5章 聚類方法
第6章 關(guān)聯(lián)規(guī)則挖掘方法
第7章 半監(jiān)督學(xué)習(xí)方法
第8章 強(qiáng)化學(xué)習(xí)
第9章 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
第10章 前饋神經(jīng)網(wǎng)絡(luò)
第11章 反饋神經(jīng)網(wǎng)絡(luò)
第12章 結(jié)語