《c#神經網路編程》是2019年機械工業出版社出版的圖書，作者（美）馬特·R.科爾（Matt R.Cole）。
基本介紹
- 中文名：c#神經網路編程
- 作者：[美] 馬特·R.科爾（Matt R.Cole）
- 譯者：劉安
- 出版社：機械工業出版社
- ISBN：9787111629382
內容簡介,圖書目錄,作者簡介,
內容簡介
本書遵循循序漸進、兼顧理論和實踐的原則，從神經網路基本概念入手，以圖文並茂的形式生動地講解激活函式和反向傳播等概念原理，並以人臉識別和動作檢測為例，讓讀者直觀地了解深度學習的套用場景，在知識內容方面，不但包含決策樹、隨機森林等常規算法，還重點講解了LSTM、CNN神經網路等主流算法，在代碼實踐方面，比較深入地講解開發細節，詳細介紹了相關網路結構、參數調優和各種網路的對照比較，對程式設計師實際動手有比較強的參考意義。此外，本書還包含了常用激活函式，讀者可以方便的在附錄中查詢相關函式特性，是一本集原理、實踐與資料查詢為一體的書籍。
本書從神經網路入門知識開始，詳細介紹如何使用Encog、Aforge和Accord搭建一個神經網路，幫助你深入理解神經網路相關概念和技術，例如深度網路、感知器、最佳化算法、卷積網路和自動解碼器。
圖書目錄
譯者序
前言
關於作者
關於審校者
第1章 快速預覽 1
11 神經網路概述 2
111 神經網路訓練 4
112 神經網路的結構指南 4
12 神經網路在當今企業中的作用 6
13 學習的類型 6
131 有監督學習 7
132 無監督學習 7
133 強化學習 7
14 了解感知器 7
15 了解激活函式 10
151 激活函式繪圖 12
152 函式繪圖 13
16 了解後向傳播 16
17 小結 17
18 參考文獻 17
第2章 構建第一個神經網路 18
21 一個簡單的神經網路 18
22 神經網路訓練 19
221 突觸 20
222 神經元 21
223 前向傳播 21
224 Sigmoid函式 21
225 後向傳播 22
226 計算誤差 23
227 計算梯度 23
228 更新權重 23
229 計算值 23
23 神經網路函式 24
231 創建新網路 24
232 導入現有網路 24
233 導入數據集 27
234 網路運算 27
235 導出網路 28
236 訓練網路 28
237 測試網路 29
238 計算前向傳播 29
239 將網路導出為JSON格式 29
2310 導出數據集 30
24 神經網路 30
25 例子 31
251 訓練到最小值 31
252 訓練到最大值 31
26 小結 32
第3章 決策樹和隨機森林 33
31 決策樹 33
311 決策樹的優點 34
312 決策樹的缺點 35
313 何時應該使用決策樹 35
32 隨機森林 35
321 隨機森林的優點 36
322 隨機森林的缺點 36
323 何時應該使用隨機森林 36
33 SharpLearning 37
331 術語 37
332 載入和保存模型 37
34 示例代碼和應用程式 41
341 保存模型 41
342 均方差回歸指標 41
343 F1分數 41
344 最佳化 42
345 示例應用程式1 42
346 示例應用程式2—葡萄酒質量 43
35 小結 45
36 參考文獻 45
第4章 面部和運動檢測 46
41 面部檢測 46
42 運動檢測 54
43 小結 59
第5章 使用ConvNetSharp訓練CNN 60
51 熱身 60
52 過濾器 64
53 創建網路 64
531 第一個簡單的例子 65
532 第二個簡單的例子 66
533 第三個簡單的例子 67
534 使用Fluent API 68
54 GPU 68
55 使用MNIST數據集進行流暢設計訓練 68
56 訓練網路 69
561 測試數據 70
562 預測數據 71
563 計算圖 71
57 小結 73
58 參考文獻 73
第6章 使用 RNNSharp訓練自動編碼器 74
61 什麼是自動編碼器 74
62 自動編碼器的分類 74
621 標準自動編碼器 75
622 變分自動編碼器 76
623 降噪自動編碼器 76
624 稀疏自動編碼器 76
63 創建自己的自動編碼器 76
64 小結 87
65 參考文獻 88
第7章 用PSO代替後向傳播 89
71 基礎理論 89
711 群體智慧型 90
712 粒子群最佳化算法 90
72 用粒子群最佳化算法代替後向傳播 94
73 小結 98
第8章 函式最佳化 99
81 入門 100
82 函式最小化和最大化 103
821 什麼是粒子 104
822 Swarm初始化 106
823 圖表初始化 107
824 狀態初始化 108
825 控制隨機性 109
826 更新群體位置 110
827 更新群速度 110
828 主程式初始化 110
829 運行粒子群最佳化 111
8210 用戶界面 112
83 超參數和調參 113
831 函式 113
832 策略 114
833 維度大小 115
834 上限 115
835 下限 116
836 上限速度 116
837 下限速度 117
838 小數位 117
839 群體大小 117
8310 最大疊代次數 118
8311 慣性 119
8312 社交權重 120
8313 認知權重 121
8314 慣性權重 122
84 可視化 122
841 二維可視化 122
842 三維可視化 123
85 繪製結果 128
851 回放結果 128
852 更新信息樹 130
86 添加新的最佳化函式 131
861 目的 131
862 添加新函式的步驟 131
863 添加新函式示例 132
87 小結 135
第9章 尋找最佳參數 136
91 最佳化 136
911 什麼是適配函式 137
912 約束 137
913 元最佳化 139
92 最佳化方法 141
921 選擇最佳化器 141
922 梯度下降 141
923 模式搜尋 141
924 局部單峰採樣 142
925 差異進化 142
926 粒子群最佳化 143
927 多最佳化聯絡員 143
928 格線 143
93 並行 144
931 並行化最佳化問題 144
932 並行最佳化方法 144
933 編寫代碼 144
934 執行元最佳化 146
935 計算適配度 146
936 測試自定義問題 148
9
作者簡介
馬特·R科爾（Matt R Cole）是一名經驗豐富的開發人員和作者，在Microsoft Windows、C、C++、 C#和NET方面有30年的經驗。他是Evolved AI Solutions公司的老闆，該公司是高級機器學習/生物AI技術的主要供應商。他開發了個完全用C#和NET編寫的企業級微服務框架，該框架被紐約一家大型對沖基金生產。他還開發了個完全整合鏡像和標準神經元的生物人工智慧框架。
