亚洲黄色电影在线观看,国产精品无码字幕不卡

內容簡介

　　神經網絡是計算智能和機器學習的重要分支，在諸多領域都取得了很大的成功。在眾多神經網絡著作中，影響最為廣泛的是Simon Haykin的《神經網絡原理》（第3版更名為《神經網絡與機器學習》）。在本書中，作者結合近年來神經網絡和機器學習的最新進展，從理論和實際應用出發(fā)，全面、系統(tǒng)地介紹了神經網絡的基本模型、方法和技術，并將神經網絡和機器學習有機地結合在一起。本書不但注重對數學分析方法和理論的探討，而且也非常關注神經網絡在模式識別、信號處理以及控制系統(tǒng)等實際工程問題的應用。本書的可讀性非常強，作者舉重若輕地對神經網絡的基本模型和主要學習理論進行了深入探討和分析，通過大量的試驗報告、例題和習題來幫助讀者更好地學習神經網絡。本版在前一版的基礎上進行了廣泛修訂，提供了神經網絡和機器學習這兩個越來越重要的學科的最新分析。本書特色：1. 基于隨機梯度下降的在線學習算法；小規(guī)模和大規(guī)模學習問題。2. 核方法，包括支持向量機和表達定理。3. 信息論學習模型，包括連接、獨立分量分析（ICA）、一致獨立分量分析和信息瓶頸。4. 隨機動態(tài)規(guī)劃，包括逼近和神經動態(tài)規(guī)劃。5. 逐次狀態(tài)估計算法，包括卡爾曼和粒子濾波器。6. 利用逐次狀態(tài)估計算法訓練遞歸神經網絡。7. 富有洞察力的面向計算機的試驗。

作者簡介

　　Simon Haykin 于1953年獲得英國伯明翰大學博士學位，目前為加拿大McMaster大學電子與計算機工程系教授、通信研究實驗室主任。他是國際電子電氣工程界的著名學者，曾獲得IEEE McNaughton金獎。他是加拿大皇家學會院士、IEEE會士，在神經網絡、通信、自適應濾波器等領域成果頗豐，著有多部標準教材。本書是關于神經網絡的全面的、徹底的、可讀性很強的、最新的論述。全書共15章，主要內容包括Rosenblatt感知器、通過回歸建立模型、最小均方算法、多層感知器、核方法和徑向基函數網絡、支持向量機、正則化理論、主分量分析、自組織映射、信息論學習模型、動態(tài)規(guī)劃、神經動力學、動態(tài)系統(tǒng)狀態(tài)估計的貝葉斯濾波等。本書適合作為高等院校計算機相關專業(yè)研究生及本科生的教材，也可供相關領域的工程技術人員參考。

圖書目錄

出版者的話
譯者序
前言
縮寫和符號
術語
第0章導言
0.1 什么是神經網絡
0.2 人類大腦
0.3 神經元模型
0.4 被看作有向圖的神經網絡
0.5 反饋
0.6 網絡結構
0.7 知識表示
0.8 學習過程
0.9 學習任務
0.10 結束語
注釋和參考文獻
第1章 Rosenblatt感知器
1.1 引言
1.2 感知器
1.3 感知器收斂定理
1.4 高斯環(huán)境下感知器與貝葉斯分類器的關系
1.5 計算機實驗：模式分類
1.6 批量感知器算法
1.7 小結和討論
注釋和參考文獻
習題
第2章通過回歸建立模型
2.1 引言
2.2 線性回歸模型：初步考慮
2.3 參數向量的最大后驗估計
2.4 正則最小二乘估計和MAP估計之間的關系
2.5 計算機實驗：模式分類
2.6 最小描述長度原則
2.7 固定樣本大小考慮
2.8 工具變量方法
2.9 小結和討論
注釋和參考文獻
習題55
第3章最小均方算法
3.1 引言
3.2 LMS算法的濾波結構
3.3 無約束最優(yōu)化：回顧
3.4 維納濾波器
3.5 最小均方算法
3.6 用馬爾可夫模型來描畫LMS算法和維納濾波器的偏差
3.7 朗之萬方程：布朗運動的特點
3.8 Kushner直接平均法
3.9 小學習率參數下統(tǒng)計LMS學習理論
3.10 計算機實驗Ⅰ：線性預測
3.11 計算機實驗Ⅱ：模式分類
3.12 LMS算法的優(yōu)點和局限
3.13 學習率退火方案
3.14 小結和討論
注釋和參考文獻
習題
第4章多層感知器
4.1 引言
4.2 一些預備知識
4.3 批量學習和在線學習
4.4 反向傳播算法
4.5 異或問題
4.6 改善反向傳播算法性能的試探法
4.7 計算機實驗：模式分類
4.8 反向傳播和微分
4.9 Hessian矩陣及其在在線學習中的規(guī)則
4.10 學習率的最優(yōu)退火和自適應控制
4.11 泛化
4.12 函數逼近
4.13 交叉驗證
4.14 復雜度正則化和網絡修剪
4.15 反向傳播學習的優(yōu)點和局限
4.16 作為最優(yōu)化問題看待的監(jiān)督學習
4.17 卷積網絡
4.18 非線性濾波
4.19 小規(guī)模和大規(guī)模學習問題
4.20 小結和討論
注釋和參考文獻
習題
第5章核方法和徑向基函數網絡
5.1 引言
5.2 模式可分性的Cover定理
5.3 插值問題
5.4 徑向基函數網絡
5.5 K-均值聚類
5.6 權向量的遞歸最小二乘估計
5.7 RBF網絡的混合學習過程
5.8 計算機實驗：模式分類
5.9 高斯隱藏單元的解釋
5.10 核回歸及其與RBF網絡的關系
5.11 小結和討論
注釋和參考文獻
習題
第6章支持向量機
第7章正則化理論
第8章主分量分析
第9章自組織映射
第10章信息論學習模型
第11章植根于統(tǒng)計力學的隨機方法
第12章動態(tài)規(guī)劃
第13章神經動力學
第14章動態(tài)系統(tǒng)狀態(tài)估計的貝葉斯濾波
第15章動態(tài)驅動遞歸網絡
參考文獻