1 時(shí)空中不斷變化的過程，時(shí)空中的深度學(xué)習(xí)和深度知識表示，靈感來自大腦的人工智能
1.1 時(shí)空演化過程
1.1.1 什么是不斷發(fā)展的過程？
1.1.2 活生物體的進(jìn)化過程
1.1.3 時(shí)空和分時(shí)的演化過程
1.2 演化過程的特征：頻率，能量，概率，熵和信息
1.3 光和聲音
1.4 時(shí)空和方向演變過程
1.5 從數(shù)據(jù)信息到知識
1.6 時(shí)空中的深度學(xué)習(xí)和深度知識表示
1.6.1 在時(shí)空中定義深度知識
1.6.2 有多深？
1.6.3 本書中的深度知識表示示例
1.7 演化過程的統(tǒng)計(jì)，計(jì)算建模
1.7.1 計(jì)算建模的統(tǒng)計(jì)方法
1.7.2 全局，局部和轉(zhuǎn)換（個(gè)性化）建模
1.7.3 模型驗(yàn)證
1.8 靈感來自大腦的人工智能
1.9 本章小結(jié)和更深入的閱讀材料 參考文獻(xiàn)
2 人工神經(jīng)網(wǎng)絡(luò)中不斷發(fā)展的連接主義系統(tǒng)
2.1 經(jīng)典人工神經(jīng)網(wǎng)絡(luò)：SOM，MLP，CNN，RNN
2.1.1 神經(jīng)網(wǎng)絡(luò)中的無監(jiān)督學(xué)習(xí)自組織地圖（SOM）
2.1.2 人工神經(jīng)網(wǎng)絡(luò)中的監(jiān)督學(xué)習(xí)多層感知器及其反向傳播算法
2.1.3 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
2.1.4 遞歸和LSTMANN
2.2 混合和基于知識的人工神經(jīng)網(wǎng)絡(luò)
2.3 不斷發(fā)展的連接主義系統(tǒng)（ECOS）
2.3.1 ECOS原理
2.3.2 不斷發(fā)展的自組織地圖
2.3.3 不斷發(fā)展的MLP
2.4 不斷發(fā)展的模糊神經(jīng)網(wǎng)絡(luò)EFuNN
2.5 動態(tài)發(fā)展的神經(jīng)模糊推理系統(tǒng)DENFIS
2.6 其他ECOS方法和系統(tǒng)
2.7 本章小結(jié)和更深入的閱讀材料參考文獻(xiàn)
第二部分：人腦
3 人腦中的深度學(xué)習(xí)和深度知識表示
3.1 大腦中的時(shí)空
3.2 學(xué)習(xí)與記憶
3.3 信息的神經(jīng)表示
3.4 大腦中的感知始終是時(shí)空超時(shí)空
3.5 大腦時(shí)空中的深度學(xué)習(xí)和深度知識表示
3.6 神經(jīng)元和大腦中的信息和信號處理
3.6.1 信息編碼
3.6.2 信息處理的分子基礎(chǔ)
3.7 將大腦活動作為時(shí)空時(shí)空數(shù)據(jù)進(jìn)行測量
3.7.1 一般概念
3.7.2 腦電圖（EEG）數(shù)據(jù)
3.7.3 腦磁圖（MEG）
3.7.4 計(jì)算機(jī)斷層掃描（CT）和聚酯（PET）
3.7.5 功能磁共振成像
3.8 本章總結(jié)和更深層次的閱讀材料參考文獻(xiàn)
第三部分：脈沖神經(jīng)網(wǎng)絡(luò)
4 脈沖神經(jīng)網(wǎng)絡(luò)的方法
4.1 信息表示為脈沖的脈沖編碼算法
4.1.1 比率與脈沖時(shí)間信息表示形式
4.1.2 脈沖編碼算法
4.2 脈沖神經(jīng)元模型
4.2.1 霍奇金-赫克斯利模型（HHM）
4.2.2 泄漏的集成火力模型（LIFM）
4.2.3 伊奇凱維奇模型（IM）
4.2.4 脈沖響應(yīng)模型（SRM）
4.2.5 索普模型（TM）
4.2.6 概率和隨機(jī)脈沖神經(jīng)元模型
4.2.7 神經(jīng)元的概率神經(jīng)遺傳模型
4.3 SNN中的學(xué)習(xí)方法
4.3.1 脈沖
4.3.2 脈沖時(shí)間相關(guān)可塑性（STDP）
4.3.3 脈沖驅(qū)動的突觸可塑性（SDSP）
4.3.4 排名順序（RO）學(xué)習(xí)規(guī)則
4.3.5 動態(tài)突觸學(xué)習(xí)
4.4 脈沖模式關(guān)聯(lián)神經(jīng)元和神經(jīng)網(wǎng)絡(luò)
4.4.1 脈沖模式關(guān)聯(lián)學(xué)習(xí)原理
4.4.2 案例研究實(shí)例
4.4.3 SPAN中的存儲容量
4.4.4 分類問題的SPAN
4.5 為什么要使用SNN？
4.6 總結(jié)和進(jìn)一步閱讀以獲取更深入的知識 參考文獻(xiàn)
書單推薦
