第1章 绪论 1
1.1 机器智能研究 1
1.2 两个层面：数据驱动方法和生物启发式方法 3
1.3 如何阅读本书 6
1.3.1 机器智能的数据驱动方法 7
1.3.2 机器智能的生物启发式方法 8
1.4 总结和延伸阅读 8
参考文献 9
第2章 增量学习 11
2.1 引言 11
2.2 问题的提出 11
2.3 自适应增量学习框架 12
2.4 映射函数设计 16
2.4.1 基于欧氏距离的映射函数 16
2.4.2 基于回归学习模型的映射函数 17
2.4.3 基于在线评估系统的映射函数 19
2.5 实例研究 25
2.5.1 视频流的增量学习 25
2.5.2 垃圾邮件分类的增量学习 31
2.6 总结 34
参考文献 34
第3章 不平衡学习 37
3.1 引言 37
3.2 不平衡学习的本质 37
3.3 不平衡数据学习方法 41
3.3.1 不平衡数据学习的抽样法 42
3.3.2 不平衡数据学习的代价敏感方法 53
3.3.3 基于核的不平衡数据学习方法 58
3.3.4 不平衡数据学习的主动学习方法 61
3.3.5 不平衡数据学习的其他方法 63
3.4 不平衡数据学习的评价指标 64
3.4.1 单一评价指标 64
3.4.2 受试者工作特性（ROC）曲线 66
3.4.3 查准率-查全率（PR）曲线 68
3.4.4 代价曲线 68
3.4.5 多类不平衡数据学习评价指标 70
3.5 机遇和挑战 70
3.6 实例研究 72
3.6.1 非线性规范化 72
3.6.2 数据集分布 76
3.6.3 仿真结果和讨论 79
3.7 总结 86
参考文献 87
第4章 集成学习 95
4.1 引言 95
4.2 假设多样性 95
4.2.1 Q统计量 96
4.2.2 相关系数 96
4.2.3 不一致度量 97
4.2.4 双错度量 97
4.2.5 熵度量 97
4.2.6 Kohavi-Wolpert方差 97
4.2.7 测试者间的一致性 98
4.2.8 困难程度 98
4.2.9 广义多样性 99
4.3 多分类器的研究进展 100
4.3.1 自举聚集 100
4.3.2 自适应增强 100
4.3.3 子空间方法 104
4.3.4 层叠泛化 107
4.3.5 专家混合体 107
4.4 多分类器集成 108
4.5 实例研究 111
4.5.1 数据集和实验配置 111
4.5.2 仿真结果 113
4.5.3 间隔分析 114
4.6 总结 118
参考文献 119
第5章 机器智能的自适应动态规划 122
5.1 引言 122
5.2 基本目标：优化和预测 122
5.3 机器智能的ADP 125
5.3.1 ADP设计中的分层结构 125
5.3.2 ADP设计中的学习和自适应 127
5.3.3 学习策略：序贯学习和协同学习 133
5.4 实例研究 134
5.5 总结 137
参考文献 138
第6章 联想学习 142
6.1 引言 142
6.2 联想学习机制 142
6.2.1 单个处理单元的构造 143
6.2.2 函数值的自主确定 144
6.2.3 联想学习的信号强度 144
6.2.4 联想学习原则 145
6.3 分层神经网络中的联想学习 151
6.3.1 网络结构 151
6.3.2 网络操作 151
6.4 实例研究 154
6.4.1 异联想应用 155
6.4.2 自联想应用 157
6.5 总结 161
参考文献 162
第7章 序列学习 164
7.1 引言 164
7.2 序列学习的基础知识 164
7.3 分层神经结构的序列学习 167
7.4 0层：改进的Hebbian学习架构 169
7.5 1～N层：序列存储、预测和检索 171
7.5.1 序列存储 171
7.5.2 序列预测 174
7.5.3 序列检索 179
7.6 内存需求 180
7.7 多序列的学习和预测 180
7.8 案例研究 183
7.9 总结 184
参考文献 185
第8章 机器智能的硬件设计 189
最终建议 189
参考文献 192