本书从统计机器学习和计算智能出发，介绍了实证方法基本原理和概念、实证模糊集与系统、基于实证方法的异常检测、数据分别实证法、自主学习多模型系统以及基于透明深度规则的分类器，并分别给出了相应的应用实例。该方法以数据为驱动，对先验知识、前提假设和专家经验的依赖程度低，具有直观的解释，是一种非参数“经验”机器学习方法。

本书为智能、自主、高效的数据处理开辟了新的视野，可供人工智能从业人员、数据分析师、学界专家学者、企业信息管理人员等学习参考。本书内容对于计算机科学、自动化和电子工程等相关学位的博士，硕士和本科生也很有价值，适用于数据科学和机器学习领域的专业人士学习阅读。

第1篇  理论背景
 

第1章  绪论
   

1.1  动机
   

1.2  从手工到自主
   

1.3  从以假设为中心到以数据为中心的方法
  

1.4  从离线到在线和动态进化
   

1.5  解释性、透明度、拟人特性
   

1.6  提出方法的原理和步骤
   

1.7  本书结构
   

参考文献
 

第2章  统计机器学习
   

2.1  概率论简介
     

2.1.1  随机性和确定性
     

2.1.2  概率质量和密度函数
     

2.1.3  概率矩
     

2.1.4  密度估计方法
     

2.1.5  贝叶斯方法和概率论的其他分支
     

2.1.6  分析
   

2.2  统计机器学习与模式识别导论
     

2.2.1  数据预处理
     

2.2.2  无监督学习（聚类）
     

2.2.3  监督学习
     

2.2.4  图像处理简介
   

2.3  结论
   

2.4  问题
   

2.5  要点
   

参考文献
 

第3章  计算智能简介
   

3.1  模糊集与系统介绍
     

3.1.1  模糊集和隶属函数
     

3.1.2  不同类型的模糊规则系统
     

3.1.3  基于模糊规则的分类器、预测器和控制器
     

3.1.4  进化模糊系统
   

3.2  人工神经网络
     

3.2.1  前馈神经网络
    

3.2.2  深度学习
   

3.3  神经模糊系统
   

......