《神經網路算法與實現：基於Java語言》是2020年2月人民郵電出版社出版的圖書，作者是[巴西]Fábio M. Soares、Alan M.F. Souza。
基本介紹
- 中文名：神經網路算法與實現：基於Java語言
- 作者：[巴西]Fábio M. Soares、Alan M.F. Souza
- 出版社：人民郵電出版社
- 出版時間：2020年2月
- 頁數：189 頁
- 定價：59 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787115460936
內容簡介,圖書目錄,
內容簡介
人工神經網路是由眾多連線權值可調的神經元連線而成，具有大規模並行處理、分散式信息存儲、良好的自組織自學習能力等特點，能夠完成模式識別、機器學習以及預測趨勢等任務。
本書通過9章內容，並結合Java程式語言，由淺入深地介紹了神經網路算法的套用。書中涉及神經網路的構建、神經網路的結構、神經網路的學習、感知機、自組織映射等核心概念，並將天氣預測、疾病診斷、客戶特徵聚類、模式識別、神經網路最佳化與自適應等經典案例囊括其中。本書在附錄中詳細地指導讀者進行開發環境的配置，幫助讀者更加順利地進行程式開發。
本書非常適合對神經網路技術感興趣的開發人員和業餘讀者閱讀，讀者無需具備Java編程知識，也無需提前了解神經網路的相關概念。本書將從零開始為讀者進行由淺入深地講解。
圖書目錄
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——
激活函式 4
1.3.3 基礎值——權值 5
1.3.4 重要參數——偏置 5
1.3.5 神經網路組件——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 反饋神經網路 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 誤差度量和代價函式 22
2.4 學習算法示例 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 感知機的套用和局限性 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 遞歸MLP 50
3.2.4 MLP在OOP範式中的
結構 50
3.3 有趣的MLP套用 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
算法——反向傳播 55
3.4.2 複雜而有效的學習算法——
Levenberg–Marquardt 57
3.5 MLP實現 58
3.5.1 實戰反向傳播算法 61
3.5.2 探索代碼 62
3.6 Levenberg–Marquardt實現 66
3.7 實際套用——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算法編程 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——
選擇數據 91
5.2.1 了解問題——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——數據預處理 94
5.4 Java實現天氣預測 96
5.4.1 繪製圖表 96
5.4.2 處理數據檔案 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
數據集 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，以及如何套用
神經網路 106
6.2 激活函式的特殊類型——
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 套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 套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 套用無監督學習 125
7.2.1 徑向基函式神經網路 125
7.2.2 Kohonen 神經網路 126
7.2.3 數據類型 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 定義大量數據中的
類別 137
8.1.2 如果未定義的類沒有被
定義怎么辦 138
8.1.3 外部驗證 138
8.2 如何在模式識別中套用神經網路
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 生成數據 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 神經網路最佳化與自適應 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 套用 157
9.5 自適應神經網路 159
9.5.1 自適應共振理論 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
