定 價：￥59.00
| 作 者： | （巴西）法維奧M.索爾斯，艾倫-M.F.索薩 |
| 出版社： | 機械工業(yè)出版社 |
| 叢編項： | |
| 標 簽： | 暫缺 |
| ISBN： | 9787111600121 | 出版時間： | 2018-07-01 | 包裝： | |
| 開本： | 頁數(shù)： | 字數(shù)： |
譯者序
作者和審校者簡介
前言
第1章 神經(jīng)網(wǎng)絡入門 1
1.1 探索神經(jīng)網(wǎng)絡 1
1.2 人工神經(jīng)網(wǎng)絡 2
1.2.1 神經(jīng)網(wǎng)絡是如何組織的 3
1.2.2 基本元素—人工神經(jīng)元 3
1.2.3 賦予神經(jīng)元生命—激活函數(shù) 4
1.2.4 可變參數(shù)—權重 5
1.2.5 額外參數(shù)—偏置 6
1.2.6 由部分到整體—層 6
1.2.7 神經(jīng)網(wǎng)絡體系結(jié)構 7
1.2.8 單層網(wǎng)絡 7
1.2.9 多層網(wǎng)絡 8
1.2.10 前饋網(wǎng)絡 8
1.2.11 反饋網(wǎng)絡 8
1.3 從無知到認知—學習過程 9
1.4 開始編程—神經(jīng)網(wǎng)絡實踐 10
1.5 神經(jīng)元類 12
1.6 NeuralLayer類 14
1.7 ActivationFunction接口 15
1.8 神經(jīng)網(wǎng)絡類 15
1.9 運行程序 17
1.10 本章小結(jié) 19
第2章
神經(jīng)網(wǎng)絡學習 20
2.1 神經(jīng)網(wǎng)絡的學習能力 21
2.2 學習模式 22
2.2.1 監(jiān)督學習 22
2.2.2 無監(jiān)督學習 22
2.3 學習過程 23
2.3.1 尋找損失函數(shù)最優(yōu)下降方向 24
2.3.2 在學習過程中更新權重 25
2.3.3 計算損失函數(shù) 25
2.3.4 一般誤差和總體誤差 27
2.3.5 神經(jīng)網(wǎng)絡的迭代學習什么時候停止比較好 27
2.4 學習算法示例 28
2.4.1 δ規(guī)則 29
2.4.2 學習率 30
2.4.3 實現(xiàn)δ規(guī)則 30
2.4.4 δ規(guī)則學習的核心—train和calcNewWeight方法 31
2.4.5 另一種學習算法—Hebbian學習 34
2.4.6 學習機 35
2.5 在實踐中理解學習過程 37
2.6 測試 41
2.7 本章小結(jié) 43
第3章 感知機和監(jiān)督學習 44
3.1 監(jiān)督學習—訓練神經(jīng)網(wǎng)絡 45
3.1.1 分類—尋找合適的類別 45
3.1.2 回歸—將實際輸入映射到輸出 46
3.2 一個基本的神經(jīng)結(jié)構—感知機 48
3.2.1 應用和限制 49
3.2.2 線性可分 49
3.2.3 “異或”問題 50
3.3 多層感知機 52
3.3.1 MLP屬性 52
3.3.2 MLP權重 53
3.3.3 遞歸MLP 54
3.3.4 編碼實現(xiàn)MLP 54
3.4 MLP學習 55
3.4.1 反向傳播算法 56
3.4.2 動量項 58
3.4.3 編碼實現(xiàn)反向傳播 58
3.4.4 Levenberg-Marquardt算法 62
3.4.5 編碼實現(xiàn)基于矩陣代數(shù)的Levenberg-Marquardt算法 64
3.4.6 極限學習機 66
3.5 實例1—基于δ規(guī)則和反向傳播的“異或”問題 69
3.6 實例2—預測入學狀態(tài) 72
3.7 本章小結(jié) 75
第4章 自組織映射 76
4.1 無監(jiān)督神經(jīng)網(wǎng)絡 76
4.2 無監(jiān)督學習算法 77
4.2.1 競爭學習 78
4.2.2 競爭層 80
4.3 Kohonen自組織映射 82
4.3.1 將神經(jīng)網(wǎng)絡代碼擴展至Kohonen 83
4.3.2 零維SOM 84
4.3.3 一維SOM 84
4.3.4 二維SOM 85
4.3.5 2D競爭層 87
4.3.6 SOM學習算法 89
4.3.7 鄰近神經(jīng)元的影響—鄰域函數(shù) 90
4.3.8 學習率 91
4.3.9 競爭學習的一個新類 92
4.3.10 SOM可視化 95
4.3.11 繪制訓練數(shù)據(jù)集和神經(jīng)元權重的2D圖 97
4.3.12 測試Kohonen學習 99
4.4 本章小結(jié) 105
第5章 預報天氣 106
5.1 神經(jīng)網(wǎng)絡用于回歸問題 106
5.2 加載/選擇數(shù)據(jù) 108
5.2.1 創(chuàng)建輔助類 108
5.2.2 從CSV文件加載數(shù)據(jù)集 111
5.2.3 創(chuàng)建時序結(jié)構 112
5.2.4 丟棄NaN 113
5.2.5 獲取天氣數(shù)據(jù) 114
5.2.6 天氣變量 115
5.3 選擇輸入和輸出變量 115
5.4 預處理 117
5.4.1 歸一化 117
5.4.2 應用NeuralDataSet處理歸一化 121
5.4.3 應用學習算法進行歸一化 123
5.4.4 天氣預報的Java實現(xiàn) 123
5.4.5 收集天氣數(shù)據(jù) 123
5.4.6 延遲變量 126
5.4.7 加載數(shù)據(jù)并開始運行 126
5.4.8 相關性分析 128
5.4.9 創(chuàng)建神經(jīng)網(wǎng)絡 131
5.4.10 訓練和測試 131
5.4.11 可視化神經(jīng)網(wǎng)絡的輸出 133
5.5 神經(jīng)網(wǎng)絡實驗設計 134
5.5.1 設計實驗 134
5.5.2 結(jié)果和模擬 135
5.6 本章小結(jié) 138
第6章 疾病分類識別 139
6.1 分類問題的基礎 139
6.1.1 分類數(shù)據(jù) 140
6.1.2 處理分類數(shù)據(jù) 141
6.2 邏輯回歸 142
6.2.1 多分類與二分類 143
6.2.2 混淆矩陣 144
6.2.3 敏感性與特異性 144
6.2.4 實現(xiàn)混淆矩陣 145
6.3 分類神經(jīng)網(wǎng)絡 147
6.4 用神經(jīng)網(wǎng)絡進行疾病識別 147
6.4.1 乳腺癌識別 148
6.4.2 糖尿病識別 151
6.5 本章小結(jié) 154
第7章 客戶畫像聚類 155
7.1 聚類任務 156
7.1.1 聚類分析 156
7.1.2 聚類評估和驗證 157
7.1.3 實現(xiàn) 158
7.1.4 外部驗證 159
7.2 應用無監(jiān)督學習 159
7.3 畫像過程 160
7.3.1 預處理 160
7.3.2 Java實現(xiàn) 161
7.3.3 信用卡—客戶畫像信用分析 161
7.3.4 產(chǎn)品畫像 165
7.3.5 多少個簇合適 166
7.4 本章小結(jié) 167
第8章 文本識別 168
8.1 模式識別 168
8.1.1 類已知 169
8.1.2 類未知 170
8.2 神經(jīng)網(wǎng)絡用于模式識別 171
8.2.1 數(shù)據(jù)預處理 171
8.2.2 文本識別（光學字符識別） 172
8.2.3 數(shù)字識別 172
8.2.4 數(shù)字表示 172
8.2.5 Java實現(xiàn) 173
8.2.6 數(shù)據(jù)生成 173
8.2.7 神經(jīng)結(jié)構 174
8.2.8 實驗 174
8.2.9 結(jié)果 176
8.3 本章小結(jié) 179
第9章 神經(jīng)網(wǎng)絡優(yōu)化與調(diào)整 180
9.1 神經(jīng)網(wǎng)絡實現(xiàn)的常見問題 181
9.2 輸入數(shù)據(jù)選擇 181
9.2.1 數(shù)據(jù)相關性 182
9.2.2 數(shù)據(jù)轉(zhuǎn)換 183
9.2.3 降維 183
9.2.4 數(shù)據(jù)過濾 184
9.2.5 交叉驗證 186
9.2.6 神經(jīng)網(wǎng)絡結(jié)構選擇 187
9.3 在線重訓練 189
9.3.1 隨機在線學習 190
9.3.2 實現(xiàn) 190
9.3.3 應用 191
9.4 自適應神經(jīng)網(wǎng)絡 193
9.4.1 自適應諧振理論 193
9.4.2 實現(xiàn) 194
9.5 本章小結(jié) 195
第10章 神經(jīng)網(wǎng)絡當前趨勢 196
10.1 深度學習 196
10.2 深度架構 198
10.2.1 如何用Java實現(xiàn)深度學習 199
10.2.2 神經(jīng)模糊 201
10.2.3 神經(jīng)遺傳 203
10.3 實現(xiàn)混合神經(jīng)網(wǎng)絡 204
10.4 本章小結(jié) 207
參考文獻 208
鄂公網(wǎng)安備 42010302001612號 