如何讓機器智能化，究竟是生物啟發還是數據驅動？

目前理解類腦智能和研製有潛力再現自然智能的自適應系統仍是科學和工程領域尚未解決的最大挑戰之一。隨著人腦研究和現代技術不斷取得新進展，科學家和工程師希望找到研製高度魯棒、自適應、易擴展且可容錯的通用類腦智能系統的正確途徑。然而，要實現這一目標，還有很長的路要走。其中，最大的挑戰是，如何理解智能的基本原理，開發有潛力捕獲智能集成的複雜系統，最終使智力更接近真正智能。

以如何使機器具有自適應於環境、類似人腦智能這一挑戰性問題為中心，主要介紹了圍繞這一問題的數據驅動與生物啟發這兩個主要研究方向的重要進展。本書主要內容可分為4個方面：（1）研究背景，介紹了自適應系統的類腦智能與傳統計算的區別；（2）數據驅動方法，重點研究如何將海量數據轉化為支撐決策過程的知識和信息這一問題，並介紹了增量學習、不平衡學習及集成學習等方法；（3）生物啟發式方法，主要講述生物信息處理的基本原理，以及如何開發具有學習、記憶、優化、預測等智能能力的計算框架；（4）機器智能的硬體實現。

數據驅動方法的目標是理解如何設計自適應系統，使它能從大量的原始數據中自主學習信息和知識表達，以支持不確定和非結構化的環境中的決策過程；

生物啟發式方法的目標是理解在分散式分層神經網路內部信息處理的原則、關聯、優化，以及預測。所有這些將來都會被用於實現通用類腦機器智能的基本功能和特性。

機器智能研究的硬體設計給出，如專用超大規模集成(VLSI)系統，以及可重構的現場可編程門陣列(FPGA)技術，這提供了如何用大規模、並行和可伸縮的硬體平台構建複雜且綜合的智能系統的有用的建議。最後一章還簡要地討論了新興技術（如憶阻器），因為這些技術可能為我們提供重要的新功能以模擬複雜的人類大腦神經結構。此外，為了突出機器智能研究的廣泛應用，每章末尾都配有一個案例研究，以說明本書所提供的方法能有效應用於不同領域。這些例子為應用本書提到的方法提供了有用的建議。

本書分為4個主要部分，組織結構如下：

1．第一部分（第1章）簡要介紹機器智能自適應系統，給出了研究意義以及傳統計算機與類腦智能的主要區別，簡要說明了本書的組織結構，並介紹本書的使用方法。

2．第二部分（第2～4章）介紹數據驅動的機器智能研究方法。重點是開發自適應學習方法，將大量的原始數據轉換成知識和信息表達，從而支持不具確定性的決策過程。主要介紹增量學習、不平衡學習和集成學習。

3．第三部分（第5～7章）重點討論生物啟發式機器智能研究。其目標是理解神經信息處理的基本原則，並開發學習、記憶、優化和預測架構的計算來模仿特定水平的智能。主要介紹自適應動態規劃(ADP)、聯想學習和序列學習。

4．第四部分（第8章）簡要討論機器智能的硬體設計。其目標是提供設計硬體系統時要重點考慮的一些因素，例如：功耗、設計密度、內存需求和速度需求，目的是實現大規模、複雜的綜合智能系統硬體。

拖動右側滾動條可以查看全目錄

▼

出版者的話

譯者序

前言

致謝

第1章緒論

1.1機器智能研究

1.2兩個層面：數據驅動方法和

生物啟發式方法

1.3如何閱讀本書

1.3.1機器智能的數據驅動方法

1.3.2機器智能的生物啟發式

方法

1.4總結和延伸閱讀

參考文獻

第2章增量學習

2.1引言

2.2問題的提出

2.3 自適應增量學習框架

2.4映射函數設計

2.4.1基於歐氏距離的映射

函數

2.4.2基於回歸學習模型的映射

函數

2.4.3基於在線評估系統的映射

函數

2.5實例研究

2.5.1視頻流的增量學習

2.5.2垃圾郵件分類的增量學習

2.6總結

參考文獻

第3章不平衡學習

3.1引言

3.2不平衡學習的本質

3.3不平衡數據學習方法

3.3.1不平衡數據學習的抽樣法

3.3.2不平衡數據學習的代價

敏感方法

3.3.3基於核的不平衡數據

學習方法

3.3.4不平衡數據學習的主動

學習方法

3.3.5不平衡數據學習的其他

方法

3.4不平衡數據學習的評價指標

3.4.1單一評價指標

3.4.2受試者工作特性( ROC)

曲線

3.4.3查准率一查全率(PR)曲線

3.4.4代價曲線

3.4.5多類不平衡數據學習評價

指標

3.5機遇和挑戰

3.6實例研究

3.6.1非線性規範化

3.6.2數據集分布

3.6.3模擬結果和討論

3.7總結

參考文獻

第4章集成學習

4.1引言

4.2假設多樣性

4.2.1 Q統計量

第5章機器智能的自適應動態規劃

第6章聯想學習

第7章序列學習

第8章機器智能的硬體設計

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！