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

第1章 緒論
1.1 人工智能及其實現(xiàn)途徑
1.1.1 智能的外在表現(xiàn)與模擬
1.1.2 機器學(xué)習(xí)
1.1.3 人工神經(jīng)網(wǎng)絡(luò)
1.2 機器學(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
第2章 機器學(xué)習(xí)基礎(chǔ)
2.1 機器學(xué)習(xí)是什么
2.2 機器學(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 強化學(xué)習(xí)
2.3.5 各學(xué)習(xí)類型的特點與共性
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)與遞增學(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
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 計算復(fù)雜性
2.5.5 透明性
小結(jié)
參考文獻
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)點表示形式
3.2 優(yōu)化目標
3.2.1 小平方誤差
3.2.2 小化熵
3.2.3 極大似然估計
3.2.4 極大后驗概率估計
3.2.5 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