绪言 1
0.1 机器学习及其研究的意义 1
0.2 机器学习的应用 3
0.3 机器学习方法的分类 5
0.3.1 基于学习策略的分类 6
0.3.2 系统性分类 9
0.4 一个简单的学习模型 10
0.5 机器学习的历史概况 14
第一章 机械学习 17
1.1 概述 17
1.2 同机械学习有关的几个问题 18
第二章 示教学习 21
2.1 两种示教学习系统的实现方法 21
2.2 示教学习系统的实现步骤 22
2.3 实用化程序FOO 26
2.3.1 接受有关红心游戏的建议 26
2.3.2 FOO的初始知识库 27
2.3.3 对“避免取点”指示的实用化过程 27
2.4 小结 31
第三章 示例学习 33
3.1 概述 33
3.1.1 示例学习系统的两空间模型 33
3.1.2 例子空间 36
3.1.3 解释过程 38
3.1.4 规则空间 39
3.1.5 实验计划过程 48
3.2 学习单个概念 50
3.2.1 变型空间法 51
3.2.2 求精算子法 61
3.2.3 产生与测试法 66
3.2.4 概要例示法 69
3.3 学习多个概念 73
3.3.1 AQ11 75
3.3.2 Meta-DENDRAL 80
3.4 学习完成多步任务 90
3.4.1 学习完成多步任务 90
3.4.2 LEX 94
第四章 发现学习 106
4.1 概述 106
4.1.1 机器学习与发现 106
4.1.2 数据驱动的发现学习 107
4.1.3 模型驱动的发现学习 108
4.2 BACON系统 108
4.2.1 BACON的结构 109
4.2.2 BACON的不足 113
4.3 AM系统 113
4.3.1 AM的结构 114
4.3.2 AM以及对学习的“双空间”观点 118
4.3.3 AM的初始知识库 124
4.3.4 结果：作为数学家的AM 125
4.3.5 对AM的评价 127
第五章 观察学习 130
5.1 概念聚类系统CLUSTER/2 130
5.1.1 引言 131
5.1.2 概念聚集 134
5.1.3 算法中的术语和基本操作 136
5.1.4 聚类质量的标准 145
5.1.5 方法和实现 147
5.1.6 一个实例：百首西班牙民歌的分类 160
5.1.7 小结 163
第六章 解释学习 165
6.1 基于解释的抽象 165
6.1.1 引言 166
6.1.2 问题的提出和一个例子 168
6.1.3 其它两个例子 176
6.1.4 观点和有待解决的问题 186
6.1.5 小结 191
6.2 基于解释的学习 192
6.2.1 引言 192
6.2.2 基于解释的学习与基于解释的抽象 193
6.2.3 通过观察进行基于解释的学习 196
6.2.4 改进抽象 198
6.2.5 关于实用性标准的问题 203
6.2.6 EBG算法的技术问题 204
6.2.7 一些解决方法 206
6.2.8 改进的基于解释的抽象方法 212
6.2.9 小结 216
6.3 问题求解中的解释学习 217
6.3.1 引言 218
6.3.2 EBL目前的一些问题 219
6.3.3 EBL是一种改进问题求解性能的思想 222
6.3.4 PRODIGY系统 225
6.3.5 EBL的组成 232
6.3.6 PRODIGY系统进行学习的例子 242
6.3.7 小结 254
6.4 从失败中进行解释学习 255
6.4.1 引言 256
6.4.2 技术描述 257
6.4.3 结构描述 262
6.4.4 有待探讨的问题 262
6.4.5 相关的工作 264
6.4.6 小结 265
第七章 类比学习 266
7.1 类比推理的一般模式 266
7.1.1 候选类比的识别 267
7.1.2 类比映射的建立 269
7.1.3 类比的评价 272
7.1.4 类比推理的充实 276
7.2 概念学习和自动推理中的类比 278
7.2.1 类比学习和类比推理 279
7.2.2 基于抽象的有用类比推理 291
7.3 问题求解和规划中的类比推理 298
7.3.1 转换类比学习 298
7.3.2 派生类比学习 318
第八章 联接学习 339
8.1 联接模型 340
8.1.1 联接网络的表示与学习 342
8.2 无隐单元的联想存储 343
8.2.1 线性联想器 344
8.2.2 非线性联想网 345
8.3 多层网络的误差回归学习方法 347
8.3.1 使用误差回归发现语义特性 349
8.3.2 回归用于将文本翻译成语音 353
8.3.3 回归用于语音识别 354
8.3.4 回归方法的不足之处 356
8.4 Boltzmann机 356
8.4.1 Boltzmann机中加强值和熵的最大化 360
8.4.2 两种网络的Boltzmann机学习方法 361
8.5 竞争学习 364
8.5.1 竞争学习 364
8.5.2 竞争学习与回归的关系 366
8.6 人工神经网络与符号处理计算机的对比 367
第九章 分类器系统和遗传算法 370
9.1 引言 370
9.2 概述 373
9.3 分类器系统 375
9.3.1 定义基本要素 375
9.3.2 例子 377
9.4 分类器系统的问题求解机制和学习机制 386
9.5 桶队列算法 390
9.6 遗传算法 393
9.7 和其它学习策略的比较 401
9.8 小结 403
第十章 SOAR和聚块 404
10.1 引言 404
10.2 主要设计原理与特征 405
10.2.1 用问题空间表示任务 405
10.2.2 通用子目标生成原理 405
10.2.3 用产生式表示长期知识 406
10.2.4 生成子目标处理死胡同 406
10.2.5 用优先权表示控制搜索知识 407
10.2.6 监视目标终结 407