科技 类型
可以朗读 语音朗读
127千字 字数
2018-05-01 发行日期
展开全部

主编推荐语

本书适合神经网络初学者阅读，也可以作为智能化软件开发人员的工具书。

内容简介

本书完整地演示了使用Java开发神经网络的过程，既有非常基础的实例也有高级实例。首先，你将学习神经网络的基础知识、感知机及其特征。然后，你将使用学到的概念来实现自组织映射网络。此外，你还会了解一些应用，如天气预报、疾病诊断、客户特征分析和光学字符识别（OCR）等。zui后，你将学习实时优化和自适应神经网络的方法。

目录

  • 版权信息
  • 译者序
  • 作者和审校者简介
  • 前言
  • 第1章 神经网络入门
  • 1.1 探索神经网络
  • 1.2 人工神经网络
  • 1.2.1 神经网络是如何组织的
  • 1.2.2 基本元素——人工神经元
  • 1.2.3 赋予神经元生命——激活函数
  • 1.2.4 可变参数——权重
  • 1.2.5 额外参数——偏置
  • 1.2.6 由部分到整体——层
  • 1.2.7 神经网络体系结构
  • 1.2.8 单层网络
  • 1.2.9 多层网络
  • 1.2.10 前馈网络
  • 1.2.11 反馈网络
  • 1.3 从无知到认知——学习过程
  • 1.4 开始编程——神经网络实践
  • 1.5 神经元类
  • 1.6 NeuralLayer类
  • 1.7 ActivationFunction接口
  • 1.8 神经网络类
  • 1.9 运行程序
  • 1.10 本章小结
  • 第2章 神经网络学习
  • 2.1 神经网络的学习能力
  • 如何通过学习解决问题
  • 2.2 学习模式
  • 2.2.1 监督学习
  • 2.2.2 无监督学习
  • 2.3 学习过程
  • 2.3.1 寻找损失函数最优下降方向
  • 2.3.2 在学习过程中更新权重
  • 2.3.3 计算损失函数
  • 2.3.4 一般误差和总体误差
  • 2.3.5 神经网络的迭代学习什么时候停止比较好
  • 2.4 学习算法示例
  • 2.4.1 δ规则
  • 2.4.2 学习率
  • 2.4.3 实现δ规则
  • 2.4.4 δ规则学习的核心——train和calcNewWeight方法
  • 2.4.5 另一种学习算法——Hebbian学习
  • 2.4.6 学习机
  • 2.5 在实践中理解学习过程
  • 2.6 测试
  • 2.7 本章小结
  • 第3章 感知机和监督学习
  • 3.1 监督学习——训练神经网络
  • 3.1.1 分类——寻找合适的类别
  • 3.1.2 回归——将实际输入映射到输出
  • 3.2 一个基本的神经结构——感知机
  • 3.2.1 应用和限制
  • 3.2.2 线性可分
  • 3.2.3 “异或”问题
  • 3.3 多层感知机
  • 3.3.1 MLP属性
  • 3.3.2 MLP权重
  • 3.3.3 递归MLP
  • 3.3.4 编码实现MLP
  • 3.4 MLP学习
  • 3.4.1 反向传播算法
  • 3.4.2 动量项
  • 3.4.3 编码实现反向传播
  • 3.4.4 Levenberg-Marquardt算法
  • 3.4.5 编码实现基于矩阵代数的Levenberg-Marquardt算法
  • 3.4.6 极限学习机
  • 3.5 实例1——基于δ规则和反向传播的“异或”问题
  • 3.6 实例2——预测入学状态
  • 3.7 本章小结
  • 第4章 自组织映射
  • 4.1 无监督神经网络
  • 4.2 无监督学习算法
  • 4.2.1 竞争学习
  • 4.2.2 竞争层
  • 4.3 Kohonen自组织映射
  • 4.3.1 将神经网络代码扩展至Kohonen
  • 4.3.2 零维SOM
  • 4.3.3 一维SOM
  • 4.3.4 二维SOM
  • 4.3.5 2D竞争层
  • 4.3.6 SOM学习算法
  • 4.3.7 邻近神经元的影响——邻域函数
  • 4.3.8 学习率
  • 4.3.9 竞争学习的一个新类
  • 4.3.10 SOM可视化
  • 4.3.11 绘制训练数据集和神经元权重的2D图
  • 4.3.12 测试Kohonen学习
  • 4.4 本章小结
  • 第5章 预报天气
  • 5.1 神经网络用于回归问题
  • 5.2 加载/选择数据
  • 5.2.1 创建辅助类
  • 5.2.2 从CSV文件加载数据集
  • 5.2.3 创建时序结构
  • 5.2.4 丢弃NaN
  • 5.2.5 获取天气数据
  • 5.2.6 天气变量
  • 5.3 选择输入和输出变量
  • 5.4 预处理
  • 5.4.1 归一化
  • 5.4.2 应用NeuralDataSet处理归一化
  • 5.4.3 应用学习算法进行归一化
  • 5.4.4 天气预报的Java实现
  • 5.4.5 收集天气数据
  • 5.4.6 延迟变量
  • 5.4.7 加载数据并开始运行
  • 5.4.8 相关性分析
  • 5.4.9 创建神经网络
  • 5.4.10 训练和测试
  • 5.4.11 可视化神经网络的输出
  • 5.5 神经网络实验设计
  • 5.5.1 设计实验
  • 5.5.2 结果和模拟
  • 5.6 本章小结
  • 第6章 疾病分类识别
  • 6.1 分类问题的基础
  • 6.1.1 分类数据
  • 6.1.2 处理分类数据
  • 6.2 逻辑回归
  • 6.2.1 多分类与二分类
  • 6.2.2 混淆矩阵
  • 6.2.3 敏感性与特异性
  • 6.2.4 实现混淆矩阵
  • 6.3 分类神经网络
  • 6.4 用神经网络进行疾病识别
  • 6.4.1 乳腺癌识别
  • 6.4.2 糖尿病识别
  • 6.5 本章小结
  • 第7章 客户画像聚类
  • 7.1 聚类任务
  • 7.1.1 聚类分析
  • 7.1.2 聚类评估和验证
  • 7.1.3 实现
  • 7.1.4 外部验证
  • 7.2 应用无监督学习
  • 7.3 画像过程
  • 7.3.1 预处理
  • 7.3.2 Java实现
  • 7.3.3 信用卡——客户画像信用分析
  • 7.3.4 产品画像
  • 7.3.5 多少个簇合适
  • 7.4 本章小结
  • 第8章 文本识别
  • 8.1 模式识别
  • 8.1.1 类已知
  • 8.1.2 类未知
  • 8.2 神经网络用于模式识别
  • 8.2.1 数据预处理
  • 8.2.2 文本识别（光学字符识别）
  • 8.2.3 数字识别
  • 8.2.4 数字表示
  • 8.2.5 Java实现
  • 8.2.6 数据生成
  • 8.2.7 神经结构
  • 8.2.8 实验
  • 8.2.9 结果
  • 8.3 本章小结
  • 第9章 神经网络优化与调整
  • 9.1 神经网络实现的常见问题
  • 9.2 输入数据选择
  • 9.2.1 数据相关性
  • 9.2.2 数据转换
  • 9.2.3 降维
  • 9.2.4 数据过滤
  • 9.2.5 交叉验证
  • 9.2.6 神经网络结构选择
  • 9.3 在线重训练
  • 9.3.1 随机在线学习
  • 9.3.2 实现
  • 9.3.3 应用
  • 9.4 自适应神经网络
  • 9.4.1 自适应谐振理论
  • 9.4.2 实现
  • 9.5 本章小结
  • 第10章 神经网络当前趋势
  • 10.1 深度学习
  • 10.2 深度架构
  • 10.2.1 如何用Java实现深度学习
  • 10.2.2 神经模糊
  • 10.2.3 神经遗传
  • 10.3 实现混合神经网络
  • 10.4 本章小结
  • 参考文献
展开全部

评分及书评

评分不足
2个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。