基本介紹
- 中文名：計算機科學叢書：神經網路與機器學習
- 作者：海金(Simon Haykin)
- 譯者：申富饒
- 出版社：機械工業出版社
- 出版時間：2011年3月1日
- 頁數：572 頁
- 開本：16 開
- ISBN：7111324137, 9787111324133
- 外文名：Neural Networks and Learning Machines (Third Edition)
- 類型：計算機與網際網路
- 語種：簡體中文
內容簡介,圖書目錄,作者簡介,
內容簡介
《神經網路與機器學習(原書第3版)》：神經網路是計算智慧型和機器學習的重要分支，在諸多領域都取得了很大的成功。在眾多神經網路著作中，影響最為廣泛的是Simon Haykin的《神經網路原理》（第3版更名為《神經網路與機器學習》）。在《神經網路與機器學習(原書第3版)》中，作者結合近年來神經網路和機器學習的最新進展，從理論和實際套用出發，全面、系統地介紹了神經網路的基本模型、方法和技術，並將神經網路和機器學習有機地結合在一起。
《神經網路與機器學習(原書第3版)》不但注重對數學分析方法和理論的探討，而且也非常關注神經網路在模式識別、信號處理以及控制系統等實際工程問題中的套用。《神經網路與機器學習(原書第3版)》的可讀性非常強，作者舉重若輕地對神經網路的基本模型和主要學習理論進行了深入探討和分析，通過大量的實驗報告、例題和習題來幫助讀者更好地學習神經網路。
本版在前一版的基礎上進行了廣泛修訂，提供了神經網路和機器學習這兩個越來越重要的學科的最新分析。
《神經網路與機器學習(原書第3版)》特色
·基於隨機梯度下降的線上學習算法；小規模和大規模學習問題。
·核方法，包括支持向量機和表示定理。
·資訊理論學習模型，包括獨立分量分析（1CA）、相關獨立分量分析和信息瓶頸等。
·隨機動態規劃，包括逼近和神經動態規劃。
·逐次狀態估計算法，包括卡爾曼和粒子濾波器。
·利用逐次狀態估計算法訓練遞歸神經網路。
·富有洞察力的面向計算機的實驗。
圖書目錄
出版者的話
譯者序
前言
縮寫和符號
術語
第0章 導言
0.1 什麼是神經網路
0.2 人類大腦
0.3 神經元模型
0.4 被看作有向圖的神經網路
0.5 反饋
0.6 網路結構
0.7 知識表示
0.8 學習過程
0.9 學習任務
0.10 結束語
注釋和參考文獻
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 高斯環境下感知器與貝葉斯分類器的關係
1.5 計算機實驗：模式分類
1.6 批量感知器算法
1.7 小結和討論
注釋和參考文獻
習題
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 參數向量的最大後驗估計
2.4 正則最小二乘估計和MAP估計之間的關係
2.5 計算機實驗：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 工具變數方法
2.9 小結和討論
注釋和參考文獻
習題
第3章 最小均方算法
3.1 引言
3.2 LMS算法的濾波結構
3.3 無約束最最佳化：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 國小習率參數下統計LMS學習理論
3.10 計算機實驗Ⅰ：線性預測
3.11 計算機實驗Ⅱ：模式分類
3.12 LMS算法的優點和局限
3.13 學習率退火方案
3.14 小結和討論
注釋和參考文獻
習題
第4章 多層感知器
4.1 引言
4.2 一些預備知識
4.3 批量學習和線上學習
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 計算機實驗：模式分類
4.8 反向傳播和微分
4.9 Hessian矩陣及其在線上學習中的規則
4.10 學習率的最優退火和自適應控制
4.11 泛化
4.12 函式逼近
4.13 交叉驗證
4.14 複雜度正則化和網路修剪
4.15 反向傳播學習的優點和局限
4.16 作為最最佳化問題看待的監督學習
4.17 卷積網路
4.18 非線性濾波
4.19 小規模和大規模學習問題
4.20 小結和討論
注釋和參考文獻
習題
第5章 核方法和徑向基函式網路
5.1 引言
5.2 模式可分性的Cover定理
5.3 插值問題
5.4 徑向基函式網路
5.5 K-均值聚類
5.6 權向量的遞歸最小二乘估計
5.7 RBF網路的混合學習過程
5.8 計算機實驗：模式分類
5.9 高斯隱藏單元的解釋
5.10 核回歸及其與RBF網路的關係
5.11 小結和討論
注釋和參考文獻
習題
第6章支持向量機
6.1 引言
6.2 線性可分模式的最優超平面
6.3 不可分模式的最優超平面
6.4 使用核方法的支持向量機
6.5 支持向量機的設計
6.6 XOR問題
6.7 計算機實驗:模式分類
6.8 回歸：魯棒性考慮
6.9 線性回歸問題的最最佳化解
6.10表示定理和相關問題
6.11 小結和討論
注釋和參考文獻
習題
第7章 正則化理論
7.1 引言
7.2 良態問題的Hadamard條件
7.3 Tikhonov正則化理論
7.4 正則化網路
7.5 廣義徑向基函式網路
7.6 再論正則化最小二乘估計
7.7 對正則化的附加要點
7.8 正則化參數估計
7.9 半監督學習
7.1 0流形正則化：初步的考慮
7.1 1可微流形
7.1 2廣義正則化理論
7.1 3光譜圖理論
7.1 4廣義表示定理
7.1 5拉普拉斯正則化最小二乘算法
7.1 6用半監督學習對模式分類的實驗
7.1 7小結和討論
注釋和參考文獻
習題
第8章 主分量分析
8.1 引言232
……
第9章 自組織映射
第10章 資訊理論學習模型
第11章 植根於統計力學的隨機方法
第12章 動態規劃
第13章 神經動力學
第14章 動態系統狀態估計的貝葉斯濾波
第15章 動態驅動遞歸網路
參考文獻
作者簡介
作者：（加拿大）海金（Simon Haykin） 譯者：申富饒 徐燁 鄭俊 晁靜
Simon Haykin，是國際電子電氣工程界的著名學者，加拿大皇家學會院士，IEEE會士，於1953年獲得英國伯明罕大學博士學位，現任加拿大麥克馬斯特大學教授，在該校創辦了通信研究實驗室並長期擔任主任。他曾經獲得IEEE McNaughton獎章，在神經網路、通信、自適應濾波器等領域成果頗豐，著有多種標準教材。
