《人工智能：机器学习与神经网络》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。最后对机器学习与人工神经网络下一步的发展趋势进行了展望。

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
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／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
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 最小平方误差
3．2．2 最小化熵
3．2．3 极大似然估计
3．2．4 极大后验概率估计
3．2．5 最小描述长度
3．3 记忆学习
3．4 决策树学习
3．4．1 决策树
3．4．2 基于信息增益的决策树生成算法（ID3算法）
3．4．3 ID3算法的过学习问题与对策
3．4．4 基于最小描述长度准则的决策树学习算法
3．5 支持向量机
……
第4章 相似性度量
第5章 聚类方法
第6章 关联规则挖掘方法
第7章 半监督学习方法
第8章 强化学习
第9章 人工神经网络基础
第10章 前馈神经网络
第11章 反馈神经网络
第12章 结语