神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)
定 價:79 元
叢書名:計算機(jī)科學(xué)叢書
- 作者:(加), Simon Haykin 著 申富饒 ,等 編
- 出版時間:2011/3/1
- ISBN:9787111324133
- 出 版 社:機(jī)械工業(yè)出版社
- 中圖法分類:TP183
- 頁碼:572
- 紙張:膠版紙
- 版次:1
- 開本:16開
神經(jīng)網(wǎng)絡(luò)是計算智能和機(jī)器學(xué)習(xí)的重要分支,在諸多領(lǐng)域都取得了很大的成功。在眾多神經(jīng)網(wǎng)絡(luò)著作中,影響最為廣泛的是Simon Haykin的《神經(jīng)網(wǎng)絡(luò)原理》(第3版更名為《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)》)。在本書中,作者結(jié)合近年來神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的最新進(jìn)展,從理論和實際應(yīng)用出發(fā),全面、系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)的基本模型、方法和技術(shù),并將神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)有機(jī)地結(jié)合在一起。
本書不但注重對數(shù)學(xué)分析方法和理論的探討,而且也非常關(guān)注神經(jīng)網(wǎng)絡(luò)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(yīng)用。本書的可讀性非常強(qiáng),作者舉重若輕地對神經(jīng)網(wǎng)絡(luò)的基本模型和主要學(xué)習(xí)理論進(jìn)行了深入探討和分析,通過大量的試驗報告、例題和習(xí)題來幫助讀者更好地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。
本版在前一版的基礎(chǔ)上進(jìn)行了廣泛修訂,提供了神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)這兩個越來越重要的學(xué)科的最新分析。
本書特色:
1. 基于隨機(jī)梯度下降的在線學(xué)習(xí)算法;小規(guī)模和大規(guī)模學(xué)習(xí)問題。
2. 核方法,包括支持向量機(jī)和表達(dá)定理。
3. 信息論學(xué)習(xí)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(jī)動態(tài)規(guī)劃,包括逼近和神經(jīng)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(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)。
7. 富有洞察力的面向計算機(jī)的試驗。
Simon Haykin 于1953年獲得英國伯明翰大學(xué)博士學(xué)位,目前為加拿大McMaster大學(xué)電子與計算機(jī)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(xué)者,曾獲得IEEE McNaughton金獎。他是加拿大皇家學(xué)會院士、IEEE會士,在神經(jīng)網(wǎng)絡(luò)、通信、自適應(yīng)濾波器等領(lǐng)域成果頗豐,著有多部標(biāo)準(zhǔn)教材。
本書是關(guān)于神經(jīng)網(wǎng)絡(luò)的全面的、徹底的、可讀性很強(qiáng)的、最新的論述。全書共15章,主要內(nèi)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(shù)網(wǎng)絡(luò)、支持向量機(jī)、正則化理論、主分量分析、自組織映射、信息論學(xué)習(xí)模型、動態(tài)規(guī)劃、神經(jīng)動力學(xué)、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(jī)相關(guān)專業(yè)研究生及本科生的教材,也可供相關(guān)領(lǐng)域的工程技術(shù)人員參考。
出版者的話
譯者序
前言
縮寫和符號
術(shù)語
第0章 導(dǎo)言
0.1 什么是神經(jīng)網(wǎng)絡(luò)
0.2 人類大腦
0.3 神經(jīng)元模型
0.4 被看作有向圖的神經(jīng)網(wǎng)絡(luò)
0.5 反饋
0.6 網(wǎng)絡(luò)結(jié)構(gòu)
0.7 知識表示
0.8 學(xué)習(xí)過程
0.9 學(xué)習(xí)任務(wù)
0.10 結(jié)束語
注釋和參考文獻(xiàn)
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(guān)系
1.5 計算機(jī)實驗:模式分類
1.6 批量感知器算法
1.7 小結(jié)和討論
注釋和參考文獻(xiàn)
習(xí)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(shù)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(guān)系
2.5 計算機(jī)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(jié)和討論
注釋和參考文獻(xiàn)
習(xí)題55
第3章 最小均方算法
3.1 引言
3.2 LMS算法的濾波結(jié)構(gòu)
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(xué)習(xí)率參數(shù)下統(tǒng)計LMS學(xué)習(xí)理論
3.10 計算機(jī)實驗Ⅰ:線性預(yù)測
3.11 計算機(jī)實驗Ⅱ:模式分類
3.12 LMS算法的優(yōu)點和局限
3.13 學(xué)習(xí)率退火方案
3.14 小結(jié)和討論
注釋和參考文獻(xiàn)
習(xí)題
第4章 多層感知器
4.1 引言
4.2 一些預(yù)備知識
4.3 批量學(xué)習(xí)和在線學(xué)習(xí)
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(jī)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(xué)習(xí)中的規(guī)則
4.10 學(xué)習(xí)率的最優(yōu)退火和自適應(yīng)控制
4.11 泛化
4.12 函數(shù)逼近
4.13 交叉驗證
4.14 復(fù)雜度正則化和網(wǎng)絡(luò)修剪
4.15 反向傳播學(xué)習(xí)的優(yōu)點和局限
4.16 作為最優(yōu)化問題看待的監(jiān)督學(xué)習(xí)
4.17 卷積網(wǎng)絡(luò)
4.18 非線性濾波
4.19 小規(guī)模和大規(guī)模學(xué)習(xí)問題
4.20 小結(jié)和討論
注釋和參考文獻(xiàn)
習(xí)題
第5章 核方法和徑向基函數(shù)網(wǎng)絡(luò)
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(shù)網(wǎng)絡(luò)
5.5 K-均值聚類
5.6 權(quán)向量的遞歸最小二乘估計
5.7 RBF網(wǎng)絡(luò)的混合學(xué)習(xí)過程
5.8 計算機(jī)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(wǎng)絡(luò)的關(guān)系
5.11 小結(jié)和討論
注釋和參考文獻(xiàn)
習(xí)題
第6章 支持向量機(jī)
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(xué)習(xí)模型
第11章 植根于統(tǒng)計力學(xué)的隨機(jī)方法
第12章 動態(tài)規(guī)劃
第13章 神經(jīng)動力學(xué)
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(qū)動遞歸網(wǎng)絡(luò)
參考文獻(xiàn)