Ce livre fournit une analyse approfondie des techniques actuelles d'apprentissage machine évolutives. Discutant des méthodes les plus considérées pour la classification, le regroupement, la régression et la prédiction, il inclut des techniques telles que les machines à vecteurs de support, les machines d'apprentissage extrême, la sélection de caractéristiques évolutives, les réseaux de neurones artificiels incluant les réseaux de neurones feed-forward, le perceptron multicouches, les réseaux de neurones probabilistes, les réseaux auto-optimiseurs, les réseaux neuraux à base radiale, les réseaux récurrents de fonctions nerveuses, les réseaux neuraux dopants, les réseaux neuro-fonzones, les réseaux modulaires de neurones, les réseaux physiques et les réseaux profonds.
Le livre fournit des définitions essentielles, des revues de littérature et des algorithmes de formation pour l'apprentissage automatique à l'aide de techniques classiques et modernes inspirées de la nature. Il étudie également les avantages et les inconvénients des algorithmes d'apprentissage classiques. Il comporte une gamme d'algorithmes éprouvés et récents inspirés de la nature utilisés pour former différents types de réseaux neuronaux artificiels, y compris l'algorithme génétique, l'optimisation des colonies de fourmis, l'optimisation de l'essaim de particules, l'optimiseur du loup gris, l'algorithme d'optimisation des baleines, l'optimiseur du lion de la fourmi, l'algorithme des mites des flammes, l'algorithme de libellule, l'algorithme des salpons de l'essaim, l'optimisateur multi-verse et le sinus cosinus. Le livre couvre également les applications des réseaux de neurones artificiels améliorés pour résoudre les problèmes de classification, de clustering, de prédiction et de régression dans divers domaines.