人工智能：机器学习与神经网络

　　\"本书以人工智能实现算法为视角，系统阐述机器学习与人工神经网络这两个彼此紧密联系的人工智能实现途径中的主要问题与解决方法。对于机器学习，在深入理解机器学习任务与关键问题的基础上，探讨监督学习、非监督学习、半监督学习、强化学习这四大类归纳学习问题的本质特性及其解决方案，同时论述作为归纳学习基础的相似性计算问题及其解决方法。对于人工神经网络，按照其关键问题是网络拓扑结构与学习方法的认识，分为前馈网络与反馈网络这两大类网络结构，阐述主要计算模型及其学习方法。 对机器学习与人工神经网络进一步的发展趋势进行了展望。本书可供相关专业技术人员、研究人员、学生或者其他对机器学习与人工神经网络技术感兴趣的读者参考。\"

　　刘峡壁，男，北京理工大学计算机学院教授、博士生导师、智能信息技术北京市重点实验室副主任。长期从事人工智能的教学与研究工作，主要科学研究兴趣包括机器学习、计算机视觉、模式识别、医学人工智能。已出版人工智能教材1部、专著1部，发表高水平学术论文60余篇，主持 及省部级科研项目10余项、教改项目3项，获得 发明专利10余项，获得 科学技术二等奖、兵工高校 教材二等奖等奖励。入选 新世纪 人才支持计划。

第1章 绪论
1.1 人工智能及其实现途径
1.1.1 智能的外在表现与模拟
1.1.2 机器学习
1.1.3 人工神经网络
1.2 机器学习简史
1.3 人工神经网络简史
1.4 本书内容与组织
参考文献
第2章 机器学习基础
2.1 机器学习是什么
2.2 机器学习方式
2.3 归纳学习类型
2.3.1 监督学习
2.3.2 非监督学习
2.3.3 半监督学习
2.3.4 强化学习
2.3.5 各学习类型的特点与共性
2.4 特定学习概念
2.4.1 生成学习与判别学习
2.4.2 度量学习
2.4.3 在线学习与递增学习
2.4.4 反馈学习
2.4.5 多任务学习
2.4.6 深度学习
2.4.7 迁移学习
2.4.8 流形学习
2.4.9 多示例学习
2.5 对学习算法的评价
2.5.1 过学习与泛化
2.5.2 偏置
2.5.3 数据鲁棒性
2.5.4 计算复杂性
2.5.5 透明性
小结
参考文献
第3章 监督学习
3.1 函数形式
3.1.1 显式表示形式
3.1.2 隐式表示形式
3.1.3 数据点表示形式
3.2 优化目标
3.2.1 小平方误差
3.2.2 小化熵
3.2.3 极大似然估计
3.2.4 极大后验概率估计
3.2.5 小描述长度
3.3 记忆学习
3.4 决策树学习
3.4.1 决策树