 |
-- 會員 / 註冊 --
|
 |
|
|
|
神經網絡算法與實現 基于Java語言 ( 簡體 字) |
| 作者：[巴西]Fabio M. Soares 法比奧 Alan M.F. Souza | 類別：1. -> 程式設計 -> JAVA -> Java |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 47466
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：8/1/2017 |
| 頁數：189 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115460936 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
| 內容簡介： |
目錄：
第1章 初識神經網路 1
1.1 探索神經網路 1
1.2 為什麼要用人工神經網路 2
1.3 神經網路的構造 3
1.3.1 基礎元素——人工神經元 3
1.3.2 賦予神經元生命——
啟動函數 4
1.3.3 基礎值——權值 5
1.3.4 重要參數——偏置 5
1.3.5 神經網路元件——層 5
1.4 神經網路結構 6
1.4.1 單層神經網路 7
1.4.2 多層神經網路 7
1.4.3 前饋神經網路 8
1.4.4 回饋神經網路 8
1.5 從無知到有識——學習過程 8
1.6 實踐神經網路 9
1.7 小結 15
第2章 神經網路是如何學習的 16
2.1 神經網路的學習能力 16
2.2 學習範式 17
2.2.1 監督學習 17
2.2.2 無監督學習 18
2.3 系統結構——學習演算法 19
2.3.1 學習的兩個階段——訓練
和測試 20
2.3.2 細節——學習參數 21
2.3.3 誤差度量和代價函數 22
2.4 學習演算法示例 22
2.4.1 感知機 22
2.4.2 Delta規則 23
2.5 神經網路學習過程的編碼 23
2.5.1 參數學習實現 23
2.5.2 學習過程 24
2.5.3 類定義 26
2.6 兩個實例 33
2.6.1 感知機（報警系統） 34
2.6.2 ADALINE（交通預測） 37
2.7 小結 42
第3章 運用感知機 43
3.1 學習感知機神經網路 43
3.1.1 感知機的應用和局限性 44
3.1.2 線性分離 44
3.1.3 經典XOR（異或）
例子 45
3.2 流行的多層感知機（MLP） 47
3.2.1 MLP屬性 48
3.2.2 MLP權值 49
3.2.3 遞迴MLP 50
3.2.4 MLP在OOP範式中的
結構 50
3.3 有趣的MLP應用 51
3.3.1 使用MLP進行分類 51
3.3.2 用MLP進行回歸 53
3.4 MLP的學習過程 54
3.4.1 簡單但很強大的學習
演算法——反向傳播 55
3.4.2 複雜而有效的學習演算法——
Levenberg–Marquardt 57
3.5 MLP實現 58
3.5.1 實戰反向傳播演算法 61
3.5.2 探索代碼 62
3.6 Levenberg–Marquardt實現 66
3.7 實際應用——新生入學 68
3.8 小結 71
第4章 自組織映射 72
4.1 神經網路無監督學習方式 72
4.2 無監督學習演算法介紹 73
4.3 Kohonen 自組織映射 76
4.3.1 一維SOM 77
4.3.2 二維SOM 78
4.3.3 逐步實現自組織映射網路
學習 80
4.3.4 如何使用SOM 81
4.4 Kohonen演算法程式設計 81
4.4.1 探索Kohonen類 84
4.4.2 Kohonen實現
（動物聚類） 86
4.5 小結 88
第5章 天氣預測 89
5.1 針對預測問題的神經網路 89
5.2 無數據，無神經網路——
選擇資料 91
5.2.1 瞭解問題——天氣變數 92
5.2.2 選擇輸入輸出變數 92
5.2.3 移除無關行為——
數據過濾 93
5.3 調整數值——資料預處理 94
5.4 Java實現天氣預測 96
5.4.1 繪製圖表 96
5.4.2 處理資料檔案 97
5.4.3 構建天氣預測神經網路 98
5.5 神經網路經驗設計 101
5.5.1 選擇訓練和測試
資料集 101
5.5.2 設計實驗 102
5.5.3 結果和模擬 103
5.6 小結 105
第6章 疾病診斷分類 106
6.1 什麼是分類問題，以及如何應用
神經網路 106
6.2 啟動函數的特殊類型——
邏輯回歸 107
6.2.1 二分類VS多分類 109
6.2.2 比較預期結果與產生
結果——混淆矩陣 109
6.2.3 分類衡量——靈敏度和
特異性 110
6.3 應用神經網路進行分類 111
6.4 神經網路的疾病診斷 114
6.4.1 使用神經網路診斷
乳腺癌 114
6.4.2 應用神經網路進行早期糖
尿病診斷 118
6.5 小結 121
第7章 客戶特徵聚類 122
7.1 聚類任務 123
7.1.1 聚類分析 123
7.1.2 聚類評估和驗證 124
7.1.3 外部驗證 125
7.2 應用無監督學習 125
7.2.1 徑向基函數神經網路 125
7.2.2 Kohonen 神經網路 126
7.2.3 資料類型 127
7.3 客戶特徵 128
7.4 Java實現 129
7.5 小結 135
第8章 模式識別（OCR案例） 136
8.1 什麼是模式識別 136
8.1.1 定義大量資料中的
類別 137
8.1.2 如果未定義的類沒有被
定義怎麼辦 138
8.1.3 外部驗證 138
8.2 如何在模式識別中應用神經網路
演算法 138
8.3 OCR問題 140
8.3.1 簡化任務——數字
識別 140
8.3.2 數字表示的方法 140
8.4 開始編碼 141
8.4.1 生成資料 141
8.4.2 構建神經網路 143
8.4.3 測試和重新設計——
試錯 144
8.4.4 結果 145
8.5 小結 148
第9章 神經網路優化與自我調整 149
9.1 神經網路實現中的常見問題 149
9.2 輸入選擇 150
9.2.1 數據相關性 150
9.2.2 降維 151
9.2.3 數據過濾 152
9.3 結構選擇 152
9.4 線上再訓練 154
9.4.1 隨機線上學習 155
9.4.2 實現 156
9.4.3 應用 157
9.5 自我調整神經網路 159
9.5.1 自我調整共振理論 159
9.5.2 實現 160
9.6 小結 162
附錄A NetBeans環境搭建 163
附錄B Eclipse環境搭建 175
附錄C 參考文獻 186
|
| 序： |
|
