译者序
原书前言
原书致谢
关于作者
第1章强化与系统性机器学习1
11简介1
12监督学习、无监督学习、半监督学习和强化学习1
13传统机器学习方法和机器学习发展历史3
14什么是机器学习？6
15机器学习问题6
151学习的目标6
16学习模式7
17机器学习技术和范例9
18什么是强化学习？11
19强化函数和环境函数12
110强化学习的需求13
111强化学习和机器智能14
112什么是系统学习？14
113什么是系统性机器学习？15
114系统性机器学习的重点15
115强化性机器学习和系统性机器学习16
116车辆检测问题的案例研究16
117小结16
参考文献17
第2章全系统原理、系统性和多视角的机器学习18
21简介18
211什么是系统性学习？19
212历史20
22什么是系统性机器学习？21
221基于事件的学习21
23广义系统性机器学习框架23
231系统定义24
24多视角决策和多视角学习26
241基于完整信息的表示32
242基于部分信息的表示32
243单视角决策方案图32
244双重视角决策方案图32
245多视角决策方案图32
246定性信念网络和影响图33
25动态和交互式决策33
251交互决策图33
252决策图和影响图中时间的角色34
253系统性视角的建立34
254信息整合35
255建立典型决策方案图35
256受限信息35
257多决策者系统在系统性学习中的角色35
26系统性学习框架39
261数学模型39
262系统性学习的方法39
263自适应系统性学习40
264系统性学习框架41
27系统分析41
28案例学习：在酒店行业中需要系统性学习43
29小结44
参考文献44
第3章强化学习45
31简介45
32学习决策者48
33回报和奖励的计算50
331方案和连续任务50
34强化学习和自适应控制51
35动态系统54
351离散事件动态系统54
36强化学习和控制55
37马尔科夫性质和决策过程55
38价值函数56
381行动和价值56
39学习最优策略（有模型和无模型法）57
310动态规划57
3101动态系统性质57
311自适应动态规则58
3111时间差分学习59
3112Q学习60
3113统一的视图60
312范例——拳击训练器的强化学习61
313小结61
参考文献61
第4章系统性机器学习和模型62
41简介62
42系统学习的框架63
421影响空间64
422交互作用为中心的模型69
423以结果为中心的模型69
43捕捉系统视图70
44系统交互的数学表达73
45影响函数74
46决策影响分析74
461时空界限75
47小结80
第5章推理和信息集成82
51简介82
52推理机制和需要83
521情景推理85
522推理确定影响85
53情景和推理的集成88
54统计推理和归纳91
541直接推理91
542间接推理91
543信息推理91
544归纳92
55纯似然方法92
56贝叶斯范例推理93
561贝叶斯定理93
57基于时域推理93
58推理建立系统观点94
581信息集成94
59小结96
参考文献97
第6章自适应学习98
61简介98
62自适应学习和自适应系统98
63什么是自适应机器学习101
64基于方案的适应性和学习方法101
641动态适应性和情景感知的学习102
65系统学习和自适应学习104
651多学习器的使用105
652系统自适应机器学习108
653自适应应用的设计110
654自适应学习的需要和适应的原因111
655适应类型112
656自适应框架114
66竞争学习和自适应学习115
661适应性函数116
662决策网络118
663自适应学习方案119
67范例120
671案例研究：基于自适应学习的文本120
672自适应学习的文档挖掘121
68小结122
参考文献122
第7章多视角和全局系统性的学习123
71简介123
72多视角方案构建124
73多视角决策和多视角学习126
731视角结合126
732影响图和部分方案决策表示图127
733表示决策方案图（RDSD）130
734范例：部分方案决策表示图（PDSRD）表示的不同视角获取的城市信息131
74全局系统性学习和多视角途径134
741分散信息整合135
742多视角和全局系统知识表示135
743什么是多视角方案？135
744特定方案136
75基于多视角途径的案例研究136
751交通控制器用多视角途径137
752情感检测用多视角途径模型138
76多视角方法的局限性143
77小结143
参考文献144
第8章增量学习和知识表示145
81简介145
82为什么增量学习？146
83学习已经学会的147
831绝对增量学习148
832选择增量学习149
84监督增量学习157
85增量无监督学习和增量聚类158
851增量聚类：任务160
852增量聚类：方法161
853阈值161
86半监督增量学习162
87增量与系统性学习163
88增量接近值和学习方法164
881增量学习方法1165
882增量学习方法2166
883计算C值增量166
89学习与决策模型169
810增量分类技术169
811案例分析：增量文档分类170
812小结171
第9章知识增长：机器学习的视角173
91简介173
92短暂的历史和相关工作174
93知识增长和知识启发178
931策略使用进行知识启发178
932基于目标的知识启发179
933基于过程的知识启发179
94生命周期180
941知识水平181
942直接知识181
943间接知识182
944程序知识182
945问题182
946决策182
947知识生命周期183
95增量知识表达184
96案例学习和遗忘学习186
97知识的扩充：技术和方法187
971知识增量技术187
972知识增量方法188
973提取知识的机制189
98启发式学习190
99系统性机器学习和知识获取190
991全方位知识获取191
992系统知识管理和先进的机器学习192
910在复杂环境下的知识增量193
911案例研究193
9111银行案例研究193
9112软件开发公司194
9113杂货集市/零售集市195
912小结195
参考文献196
第10章构建学习系统197
101简介197
102系统性学习系统197
1021学习单元199
1022知识库200
1023性能单元200
1024反馈单元200
1025允许测量的系统200
103算法选择201
1031k近邻（kNN）201
1032支持向量机（SVM）202
1033质心法202
104知识表示203
1041实用方案和案例研究203
105学习系统的设计204
106让系统表现得更智能204
107案例学习205
108整体知识框架和强化学习的应用205
1081智能算法的选择207
109智能决策——部署和知识采集以及重用208
1010基于案例的学习：人体情感检测系统209
1011复杂决策问题的整体视角211
1012知识表示和资源查找213
1013组件215
10131范例215
1014学习系统和智能系统的未来216
1015小结217
附录218
附录A统计学习方法218
A1概率218
A11互斥事件218
A12独立事件218
A2贝叶斯分类219
A21朴素贝叶斯分类220
A22贝叶斯分类器的优点和缺点221
A3回归221
A31线性222
A32非线性222
A33回归的其他方法222
A4粗糙集223
A41不可分辨关系223
A42集近似224
A43边界区域224
A44粗糙集和清晰集224
A45约简224
A46可有可无和不可缺少的属性224
A5支持向量机224
参考文献225
附录B马尔科夫过程225
B1马尔科夫过程225
B11案例226
B12解决步骤226
B13长期227
B14马尔科夫过程示例228
B2半马尔科夫过程231
B21建议231
B22验证232
B23推论232
· · · · · · (收起)