神经网络编程实战：Java语言实现 PDF 第2版

《神经网络编程实战：Java语言实现》由10章构成。首先，系统、全面地阐述神经网络相关概念、知识点及特征。然后，重点介绍神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。后，介绍一些经典案例。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。

目录

• 译者序
• 作者和审校者简介
• 前言
• 第1章 神经网络入门 1
• 1.1　探索神经网络 1
• 1.2　人工神经网络 2
• 1.2.1　神经网络是如何组织的 3
• 1.2.2　基本元素—人工神经元 3
• 1.2.3　赋予神经元生命—激活函数 4
• 1.2.4　可变参数—权重 5
• 1.2.5　额外参数—偏置 6
• 1.2.6　由部分到整体—层 6
• 1.2.7　神经网络体系结构 7
• 1.2.8　单层网络 7
• 1.2.9　多层网络 8
• 1.2.10　前馈网络 8
• 1.2.11　反馈网络 8
• 1.3　从无知到认知—学习过程 9
• 1.4　开始编程—神经网络实践 10
• 1.5　神经元类 12
• 1.6　NeuralLayer类 14
• 1.7　ActivationFunction接口 15
• 1.8　神经网络类 15
• 1.9　运行程序 17
• 1.10　本章小结 19
• 第2章
• 神经网络学习 20
• 2.1　神经网络的学习能力 21
• 2.2　学习模式 22
• 2.2.1　监督学习 22
• 2.2.2　无监督学习 22
• 2.3　学习过程 23
• 2.3.1　寻找损失函数最优下降方向 24
• 2.3.2　在学习过程中更新权重 25
• 2.3.3　计算损失函数 25
• 2.3.4　一般误差和总体误差 27
• 2.3.5　神经网络的迭代学习什么时候停止比较好 27
• 2.4　学习算法示例 28
• 2.4.1　δ规则 29
• 2.4.2　学习率 30
• 2.4.3　实现δ规则 30
• 2.4.4　δ规则学习的核心—train和calcNewWeight方法 31
• 2.4.5　另一种学习算法—Hebbian学习 34
• 2.4.6　学习机 35
• 2.5　在实践中理解学习过程 37
• 2.6　测试 41
• 2.7　本章小结 43
• 第3章　感知机和监督学习 44
• 3.1　监督学习—训练神经网络 45
• 3.1.1　分类—寻找合适的类别 45
• 3.1.2　回归—将实际输入映射到输出 46
• 3.2　一个基本的神经结构—感知机 48
• 3.2.1　应用和限制 49
• 3.2.2　线性可分 49
• 3.2.3　“异或”问题 50
• 3.3　多层感知机 52
• 3.3.1　MLP属性 52
• 3.3.2　MLP权重 53
• 3.3.3　递归MLP 54
• 3.3.4　编码实现MLP 54
• 3.4　MLP学习 55
• 3.4.1　反向传播算法 56
• 3.4.2　动量项 58
• 3.4.3　编码实现反向传播 58
• 3.4.4　Levenberg-Marquardt算法 62
• 3.4.5　编码实现基于矩阵代数的Levenberg-Marquardt算法 64
• 3.4.6　极限学习机 66
• 3.5　实例1—基于δ规则和反向传播的“异或”问题 69
• 3.6　实例2—预测入学状态 72
• 3.7　本章小结 75
• 第4章　自组织映射 76
• 4.1　无监督神经网络 76
• 4.2　无监督学习算法 77
• 4.2.1　竞争学习 78
• 4.2.2　竞争层 80
• 4.3　Kohonen自组织映射 82
• 4.3.1　将神经网络代码扩展至Kohonen 83
• 4.3.2　零维SOM 84
• 4.3.3　一维SOM 84
• 4.3.4　二维SOM 85
• 4.3.5　2D竞争层 87
• 4.3.6　SOM学习算法 89
• 4.3.7　邻近神经元的影响—邻域函数 90
• 4.3.8　学习率 91
• 4.3.9　竞争学习的一个新类 92
• 4.3.10　SOM可视化 95
• 4.3.11　绘制训练数据集和神经元权重的2D图 97
• 4.3.12　测试Kohonen学习 99
• 4.4　本章小结 105
• 第5章　预报天气 106
• 5.1　神经网络用于回归问题 106
• 5.2　加载/选择数据 108
• 5.2.1　创建辅助类 108
• 5.2.2　从CSV文件加载数据集 111
• 5.2.3　创建时序结构 112
• 5.2.4　丢弃NaN 113
• 5.2.5　获取天气数据 114
• 5.2.6　天气变量 115
• 5.3　选择输入和输出变量 115
• 5.4　预处理 117
• 5.4.1　归一化 117
• 5.4.2　应用NeuralDataSet处理归一化 121
• 5.4.3　应用学习算法进行归一化 123
• 5.4.4　天气预报的Java实现 123
• 5.4.5　收集天气数据 123
• 5.4.6　延迟变量 126
• 5.4.7　加载数据并开始运行 126
• 5.4.8　相关性分析 128
• 5.4.9　创建神经网络 131
• 5.4.10　训练和测试 131
• 5.4.11　可视化神经网络的输出 133
• 5.5　神经网络实验设计 134
• 5.5.1　设计实验 134
• 5.5.2　结果和模拟 135
• 5.6　本章小结 138
• 第6章　疾病分类识别 139
• 6.1　分类问题的基础 139
• 6.1.1　分类数据 140
• 6.1.2　处理分类数据 141
• 6.2　逻辑回归 142
• 6.2.1　多分类与二分类 143
• 6.2.2　混淆矩阵 144
• 6.2.3　敏感性与特异性 144
• 6.2.4　实现混淆矩阵 145
• 6.3　分类神经网络 147
• 6.4　用神经网络进行疾病识别 147
• 6.4.1　乳腺癌识别 148
• 6.4.2　糖尿病识别 151
• 6.5　本章小结 154
• 第7章　客户画像聚类 155
• 7.1　聚类任务 156
• 7.1.1　聚类分析 156
• 7.1.2　聚类评估和验证 157
• 7.1.3　实现 158
• 7.1.4　外部验证 159
• 7.2　应用无监督学习 159
• 7.3　画像过程 160
• 7.3.1　预处理 160
• 7.3.2　Java实现 161
• 7.3.3　信用卡—客户画像信用分析 161
• 7.3.4　产品画像 165
• 7.3.5　多少个簇合适 166
• 7.4　本章小结 167
• 第8章　文本识别 168
• 8.1　模式识别 168
• 8.1.1　类已知 169
• 8.1.2　类未知 170
• 8.2　神经网络用于模式识别 171
• 8.2.1　数据预处理 171
• 8.2.2　文本识别（光学字符识别） 172
• 8.2.3　数字识别 172
• 8.2.4　数字表示 172
• 8.2.5　Java实现 173
• 8.2.6　数据生成 173
• 8.2.7　神经结构 174
• 8.2.8　实验 174
• 8.2.9　结果 176
• 8.3　本章小结 179
• 第9章　神经网络优化与调整 180
• 9.1　神经网络实现的常见问题 181
• 9.2　输入数据选择 181
• 9.2.1　数据相关性 182
• 9.2.2　数据转换 183
• 9.2.3　降维 183
• 9.2.4　数据过滤 184
• 9.2.5　交叉验证 186
• 9.2.6　神经网络结构选择 187
• 9.3　在线重训练 189
• 9.3.1　随机在线学习 190
• 9.3.2　实现 190
• 9.3.3　应用 191
• 9.4　自适应神经网络 193
• 9.4.1　自适应谐振理论 193
• 9.4.2　实现 194
• 9.5　本章小结 195
• 第10章　神经网络当前趋势 196
• 10.1　深度学习 196
• 10.2　深度架构 198
• 10.2.1　如何用Java实现深度学习 199
• 10.2.2　神经模糊 201
• 10.2.3　神经遗传 203
• 10.3　实现混合神经网络 204
• 10.4　本章小结 207
• 参考文献 208