神經(jīng)網(wǎng)絡(luò)編程實戰(zhàn)：Java語言實現(xiàn)（原書第2版）

譯者序 

作者和審校者簡介 

前言 

第1章 神經(jīng)網(wǎng)絡(luò)入門 1

1.1 探索神經(jīng)網(wǎng)絡(luò) 1

1.2 人工神經(jīng)網(wǎng)絡(luò) 2

1.2.1 神經(jīng)網(wǎng)絡(luò)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(quán)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(luò)體系結(jié)構(gòu) 7

1.2.8 單層網(wǎng)絡(luò) 7

1.2.9 多層網(wǎng)絡(luò) 8

1.2.10 前饋網(wǎng)絡(luò) 8

1.2.11 反饋網(wǎng)絡(luò) 8

1.3 從無知到認(rèn)知—學(xué)習(xí)過程 9

1.4 開始編程—神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)學(xué)習(xí) 20

2.1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力 21

2.2 學(xué)習(xí)模式 22

2.2.1 監(jiān)督學(xué)習(xí) 22

2.2.2 無監(jiān)督學(xué)習(xí) 22

2.3 學(xué)習(xí)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(xué)習(xí)過程中更新權(quán)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(luò)的迭代學(xué)習(xí)什么時候停止比較好 27

2.4 學(xué)習(xí)算法示例 28

2.4.1 δ規(guī)則 29

2.4.2 學(xué)習(xí)率 30

2.4.3 實現(xiàn)δ規(guī)則 30

2.4.4 δ規(guī)則學(xué)習(xí)的核心—train和calcNewWeight方法 31

2.4.5 另一種學(xué)習(xí)算法—Hebbian學(xué)習(xí) 34

2.4.6 學(xué)習(xí)機 35

2.5 在實踐中理解學(xué)習(xí)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(xué)習(xí) 44

3.1 監(jiān)督學(xué)習(xí)—訓(xùn)練神經(jīng)網(wǎng)絡(luò) 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(gòu)—感知機 48

3.2.1 應(yīng)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(quán)重 53

3.3.3 遞歸MLP 54

3.3.4 編碼實現(xiàn)MLP 54

3.4 MLP學(xué)習(xí) 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(xué)習(xí)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(yù)測入學(xué)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(luò) 76

4.2 無監(jiān)督學(xué)習(xí)算法 77

4.2.1 競爭學(xué)習(xí) 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(luò)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(xué)習(xí)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(xué)習(xí)率 91

4.3.9 競爭學(xué)習(xí)的一個新類 92

4.3.10 SOM可視化 95

4.3.11 繪制訓(xùn)練數(shù)據(jù)集和神經(jīng)元權(quán)重的2D圖 97

4.3.12 測試Kohonen學(xué)習(xí) 99

4.4 本章小結(jié) 105

第5章 預(yù)報天氣 106

5.1 神經(jīng)網(wǎng)絡(luò)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(gòu) 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(yù)處理 117

5.4.1 歸一化 117

5.4.2 應(yīng)用NeuralDataSet處理歸一化 121

5.4.3 應(yīng)用學(xué)習(xí)算法進行歸一化 123

5.4.4 天氣預(yù)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(guān)性分析 128

5.4.9 創(chuàng)建神經(jīng)網(wǎng)絡(luò) 131

5.4.10 訓(xùn)練和測試 131

5.4.11 可視化神經(jīng)網(wǎng)絡(luò)的輸出 133

5.5 神經(jīng)網(wǎng)絡(luò)實驗設(shè)計 134

5.5.1 設(shè)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(chǔ) 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(luò) 147

6.4 用神經(jīng)網(wǎng)絡(luò)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(wù) 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(yīng)用無監(jiān)督學(xué)習(xí) 159

7.3 畫像過程 160

7.3.1 預(yù)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(luò)用于模式識別 171

8.2.1 數(shù)據(jù)預(yù)處理 171

8.2.2 文本識別（光學(xué)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(gòu) 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(luò)優(yōu)化與調(diào)整 180

9.1 神經(jīng)網(wǎng)絡(luò)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(guān)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(luò)結(jié)構(gòu)選擇 187

9.3 在線重訓(xùn)練 189

9.3.1 隨機在線學(xué)習(xí) 190

9.3.2 實現(xiàn) 190

9.3.3 應(yīng)用 191

9.4 自適應(yīng)神經(jīng)網(wǎng)絡(luò) 193

9.4.1 自適應(yīng)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(luò)當(dāng)前趨勢 196

10.1 深度學(xué)習(xí) 196

10.2 深度架構(gòu) 198

10.2.1 如何用Java實現(xiàn)深度學(xué)習(xí) 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(luò) 204

10.4 本章小結(jié) 207

參考文獻 208