神經(jīng)網(wǎng)絡入門與實戰(zhàn)

目錄
第1章概述1
1.1人工神經(jīng)網(wǎng)絡簡介1
1.1.1人工神經(jīng)網(wǎng)絡的基本概念1
1.1.2人工神經(jīng)網(wǎng)絡的發(fā)展史2
1.1.3神經(jīng)網(wǎng)絡的研究內(nèi)容5
1.2神經(jīng)網(wǎng)絡的特點5
1.3神經(jīng)網(wǎng)絡的結構6
1.4人工神經(jīng)網(wǎng)絡的分類7
1.5人工神經(jīng)網(wǎng)絡的學習方式9
1.6人工神經(jīng)網(wǎng)絡的應用9
1.6.1人工神經(jīng)網(wǎng)絡在全球氣候變化中的應用10
1.6.2人工神經(jīng)網(wǎng)絡在控制系統(tǒng)中的應用10
1.6.3人工神經(jīng)網(wǎng)絡在疾病預后研究中的應用11
第2章感知器13
2.1感知器元件14
2.1.1神經(jīng)元14
2.1.2神經(jīng)元參數(shù)16
2.1.3組合功能16
2.1.4激活功能16
2.1.5輸出功能18
2.1.6結論18
2.2感知器模型19
2.2.1超平面的定義19
2.2.2數(shù)據(jù)集的線性可分20
2.3感知器學習算法22
2.3.1感知器學習算法的原始形式23
2.3.2感知器學習算法的對偶形式24
2.4感知器的收斂性25
2.5感知器應用舉例25
2.5.1問題描述25
2.5.2添加權重和閾值26
2.5.3建立決策模型26
2.5.4向量化27
2.5.5神經(jīng)網(wǎng)絡的運作過程28
2.6感知器的局限性29
2.6.1感知器能做什么29
2.6.2感知器不能做什么29
第3章BP神經(jīng)網(wǎng)絡31
3.1前向傳播37
3.2反向傳播38
第4章支持向量機41
4.1問題提出41
4.2SVM問題42
4.2.1支持向量與樣本間隔42
4.2.2支持向量機形式化描述43
4.3對偶問題43
4.3.1SVM問題的對偶問題43
4.3.2對偶問題再討論44
4.3.3對偶問題求解45
4.4核函數(shù)46
4.4.1如何處理非線性可分數(shù)據(jù)46
4.4.2核函數(shù)的提出47
4.4.3幾種常見的核函數(shù)48
4.5軟間隔與正則化49
4.5.1如何處理噪聲數(shù)據(jù)49
4.5.2軟間隔支持向量機49
4.5.3軟間隔支持向量機對偶問題50
4.5.4正則化51
第5章深度學習53
5.1深度神經(jīng)網(wǎng)絡概述53
5.2深度卷積神經(jīng)網(wǎng)絡55
5.2.1卷積算子55
5.2.2卷積的特征55
5.3深度卷積神經(jīng)網(wǎng)絡的典型結構56
5.3.1基本網(wǎng)絡結構56
5.3.2網(wǎng)絡結構模式56
5.4深度卷積神經(jīng)網(wǎng)絡的層60
5.4.1卷積層60
5.4.2池化層60
5.4.3激活層60
5.5深度卷積神經(jīng)網(wǎng)絡在圖像識別中的應用61
第6章強化學習63
6.1強化學習概述63
6.2強化學習問題建?！R爾可夫決策過程64
6.3強化學習算法簡介65
6.3.1基于值函數(shù)的策略學習方法65
6.3.2策略搜索算法70
6.4深度強化學習76
6.5小結79
第7章極限學習80
7.1極限學習概述80
7.2極限學習算法80
7.3極限學習的改進82
7.3.1核極限學習82
7.3.2增量型極限學習84
7.3.3深度極限學習85
7.4極限學習的應用87
7.4.1極限學習在圖像分類中的應用88
7.4.2極限學習在入侵檢測中的應用88
7.4.3極限學習在故障識別中的應用91
7.5小結91
第8章TensorFlow機器學習平臺93
8.1TensorFlow起源95
8.2TensorFlow簡介95
8.3TensorFlow的特征96
8.4TensorFlow使用對象、環(huán)境及兼容性97
8.5TensorFlow的其他模塊98
8.6安全性101
第9章神經(jīng)網(wǎng)絡的應用102
9.1基于神經(jīng)網(wǎng)絡的圖像處理102
9.2基于神經(jīng)網(wǎng)絡的信號處理109
9.3基于神經(jīng)網(wǎng)絡的模式識別109
9.4基于神經(jīng)網(wǎng)絡的機器控制122
參考文獻126