本书以如何使机器具有自适应于环境、类似人脑智能这一挑战性问题为中心，主要介绍了围绕这一问题的数据驱动与生物启发这两个主要研究方向的重要进展。本书主要内容可分为4个方面：（1）研究背景，介绍了自适应系统的类脑智能与传统计算的区别；（2）数据驱动方法，重点研究如何将海量数据转化为支撑决策过程的知识和信息这一问题，并介绍了增量学习、不平衡学习及集成学习等方法；（3）生物启发式方法，主要讲述生物信息处理的基本原理，以及如何开发具有学习、记忆、优化、预测等智能能力的计算框架；（4）机器智能的硬件实现。

出版者的话
译者序
前言
致谢
第1章绪论
1.1机器智能研究
1.2两个层面：数据驱动方法和
生物启发式方法
1.3如何阅读本书
1.3.1机器智能的数据驱动方法
1.3.2机器智能的生物启发式
方法
1.4总结和延伸阅读
参考文献
第2章增量学习
2.1引言
2.2问题的提出
2.3 自适应增量学习框架
2.4映射函数设计
2.4.1基于欧氏距离的映射
函数
2.4.2基于回归学习模型的映射
函数
2.4.3基于在线评估系统的映射
函数
2.5实例研究
2.5.1视频流的增量学习
2.5.2垃圾邮件分类的增量学习
2.6总结
参考文献
第3章不平衡学习
3.1引言
3.2不平衡学习的本质
3.3不平衡数据学习方法
3.3.1不平衡数据学习的抽样法
3.3.2不平衡数据学习的代价
敏感方法
3.3.3基于核的不平衡数据
学习方法
3.3.4不平衡数据学习的主动
学习方法
3.3.5不平衡数据学习的其他
方法
3.4不平衡数据学习的评价指标
3.4.1单一评价指标
3.4.2受试者工作特性( ROC)
曲线
3.4.3查准率一查全率(PR)曲线
3.4.4代价曲线
3.4.5多类不平衡数据学习评价
指标
3.5机遇和挑战
3.6实例研究
3.6.1非线性规范化
3.6.2数据集分布
3.6.3仿真结果和讨论
3.7总结
参考文献
第4章集成学习
4.1引言
4.2假设多样性
4.2.1 Q统计量
第5章机器智能的自适应动态规划
第6章联想学习
第7章序列学习
第8章机器智能的硬件设计