神經(jīng)網(wǎng)絡(luò)算法與實現(xiàn)：基于Java語言

定　價：￥59.00

作　者：	[巴西] Fábio M. Soares，法比奧，Alan ... 著；范東來，封強譯
出版社：	人民郵電出版社
叢編項：
標　簽：	計算機?網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787115460936	出版時間：	2017-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	189	字數(shù)：

內(nèi)容簡介

　　人工神經(jīng)網(wǎng)絡(luò)是由眾多連接權(quán)值可調(diào)的神經(jīng)元連接而成，具有大規(guī)模并行處理、分布式信息存儲、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(yù)測趨勢等任務(wù)。本書通過9章內(nèi)容，并結(jié)合Java編程語言，由淺入深地介紹了神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用。書中涉及神經(jīng)網(wǎng)絡(luò)的構(gòu)建、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)的學習、感知機、自組織映射等核心概念，并將天氣預(yù)測、疾病診斷、客戶特征聚類、模式識別、神經(jīng)網(wǎng)絡(luò)優(yōu)化與自適應(yīng)等經(jīng)典案例囊括其中。本書在附錄中詳細地指導讀者進行開發(fā)環(huán)境的配置，幫助讀者更加順利地進行程序開發(fā)。本書非常適合對神經(jīng)網(wǎng)絡(luò)技術(shù)感興趣的開發(fā)人員和業(yè)余讀者閱讀，讀者無需具備Java編程知識，也無需提前了解神經(jīng)網(wǎng)絡(luò)的相關(guān)概念。本書將從零開始為讀者進行由淺入深地講解。

作者簡介

　　Fábio M. Soares擁有帕拉聯(lián)邦大學（Universidade Federal do Pará，UFPA）的計算機應(yīng)用專業(yè)碩士學位，目前是該所大學的在讀博士生。他從2004年開始就一直在設(shè)計神經(jīng)網(wǎng)絡(luò)解決方案，在電信、化學過程建模等多個領(lǐng)域開發(fā)了神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用，他的研究主題涉及數(shù)據(jù)驅(qū)動建模的監(jiān)督學習。他也是一名個體經(jīng)營者，為巴西北部的一些中小型公司提供IT基礎(chǔ)設(shè)施管理和數(shù)據(jù)庫管理等服務(wù)。在過去，他曾為大公司工作，如Albras（世界上zui重要的鋁冶煉廠之一）和Eletronorte（巴西的一個大型電源供應(yīng)商）。他也有當講師的經(jīng)歷，曾在***聯(lián)邦農(nóng)業(yè)大學（Federal Rural University）和卡斯塔尼亞爾的一個學院授課，兩所學校都在帕拉州，所教的學科涉及編程和人工智能。他出版了許多作品，其中許多都有英文版，所有作品都是關(guān)于針對某些問題的人工智能技術(shù)。他在眾多權(quán)v會議上發(fā)表了一系列學術(shù)文章，如TMS（礦物金屬和材料學會）、輕金屬學會和智能數(shù)據(jù)工程、自動學習學會等學術(shù)會議。他還為Intech寫過兩章內(nèi)容。Alan M.F. Souza是來自***高級研究所（Instituto de Estudos Superiores da Amaz？nia，IESAM）的計算機工程師。他擁有軟件項目管理的研究生學位以及帕拉聯(lián)邦大學（Universidade Federal do Pará，UFPA）的工業(yè)過程（計算機應(yīng)用）碩士學位。自2009年以來，他一直從事神經(jīng)網(wǎng)絡(luò)方面的工作，并從2006年開始與巴西的IT公司合作進行Java、PHP、SQL和其他編程語言的開發(fā)。他熱衷于編程和計算智能。目前，他是***大學（Universidade da Amaz？nia，UNAMA）的教授和帕拉聯(lián)邦大學的在讀博士生。

圖書目錄

第1章初識神經(jīng)網(wǎng)絡(luò)\t1
1．1 探索神經(jīng)網(wǎng)絡(luò)\t1
1．2 為什么要用人工神經(jīng)網(wǎng)絡(luò)\t2
1．3 神經(jīng)網(wǎng)絡(luò)的構(gòu)造\t3
1．3．1 基礎(chǔ)元素——人工神經(jīng)元\t3
1．3．2 賦予神經(jīng)元生命——
激活函數(shù)\t4
1．3．3 基礎(chǔ)值——權(quán)值\t5
1．3．4 重要參數(shù)——偏置\t5
1．3．5 神經(jīng)網(wǎng)絡(luò)組件——層\t5
1．4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)\t6
1．4．1 單層神經(jīng)網(wǎng)絡(luò)\t7
1．4．2 多層神經(jīng)網(wǎng)絡(luò)\t7
1．4．3 前饋神經(jīng)網(wǎng)絡(luò)\t8
1．4．4 反饋神經(jīng)網(wǎng)絡(luò)\t8
1．5 從無知到有識——學習過程\t8
1．6 實踐神經(jīng)網(wǎng)絡(luò)\t9
1．7 小結(jié)\t15
第2章神經(jīng)網(wǎng)絡(luò)是如何學習的\t16
2．1 神經(jīng)網(wǎng)絡(luò)的學習能力\t16
2．2 學習范式\t17
2．2．1 監(jiān)督學習\t17
2．2．2 無監(jiān)督學習\t18
2．3 系統(tǒng)結(jié)構(gòu)——學習算法\t19
2．3．1 學習的兩個階段——訓練
和測試\t20
2．3．2 細節(jié)——學習參數(shù)\t21
2．3．3 誤差度量和代價函數(shù)\t22
2．4 學習算法示例\t22
2．4．1 感知機\t22
2．4．2 Delta規(guī)則\t23
2．5 神經(jīng)網(wǎng)絡(luò)學習過程的編碼\t23
2．5．1 參數(shù)學習實現(xiàn)\t23
2．5．2 學習過程\t24
2．5．3 類定義\t26
2．6 兩個實例\t33
2．6．1 感知機（報警系統(tǒng)）\t34
2．6．2 ADALINE（交通預(yù)測）\t37
2．7 小結(jié)\t42
第3章運用感知機\t43
3．1 學習感知機神經(jīng)網(wǎng)絡(luò)\t43
3．1．1 感知機的應(yīng)用和局限性\t44
3．1．2 線性分離\t44
3．1．3 經(jīng)典XOR（異或）
例子\t45
3．2 流行的多層感知機（MLP）\t47
3．2．1 MLP屬性\t48
3．2．2 MLP權(quán)值\t49
3．2．3 遞歸MLP\t50
3．2．4 MLP在OOP范式中的
結(jié)構(gòu)\t50
3．3 有趣的MLP應(yīng)用\t51
3．3．1 使用MLP進行分類\t51
3．3．2 用MLP進行回歸\t53
3．4 MLP的學習過程\t54
3．4．1 簡單但很強大的學習
算法——反向傳播\t55
3．4．2 復(fù)雜而有效的學習算法——
Levenberg–Marquardt\t57
3．5 MLP實現(xiàn)\t58
3．5．1 實戰(zhàn)反向傳播算法\t61
3．5．2 探索代碼\t62
3．6 Levenberg–Marquardt實現(xiàn)\t66
3．7 實際應(yīng)用——新生入學\t68
3．8 小結(jié)\t71
第4章自組織映射\t72
4．1 神經(jīng)網(wǎng)絡(luò)無監(jiān)督學習方式\t72
4．2 無監(jiān)督學習算法介紹\t73
4．3 Kohonen 自組織映射\t76
4．3．1 一維SOM\t77
4．3．2 二維SOM\t78
4．3．3 逐步實現(xiàn)自組織映射網(wǎng)絡(luò)
學習\t80
4．3．4 如何使用SOM\t81
4．4 Kohonen算法編程\t81
4．4．1 探索Kohonen類\t84
4．4．2 Kohonen實現(xiàn)
（動物聚類）\t86
4．5 小結(jié)\t88
第5章天氣預(yù)測\t89
5．1 針對預(yù)測問題的神經(jīng)網(wǎng)絡(luò)\t89
5．2 無數(shù)據(jù)，無神經(jīng)網(wǎng)絡(luò)——
選擇數(shù)據(jù)\t91
5．2．1 了解問題——天氣變量\t92
5．2．2 選擇輸入輸出變量\t92
5．2．3 移除無關(guān)行為——
數(shù)據(jù)過濾\t93
5．3 調(diào)整數(shù)值——數(shù)據(jù)預(yù)處理\t94
5．4 Java實現(xiàn)天氣預(yù)測\t96
5．4．1 繪制圖表\t96
5．4．2 處理數(shù)據(jù)文件\t97
5．4．3 構(gòu)建天氣預(yù)測神經(jīng)網(wǎng)絡(luò)\t98
5．5 神經(jīng)網(wǎng)絡(luò)經(jīng)驗設(shè)計\t101
5．5．1 選擇訓練和測試
數(shù)據(jù)集\t101
5．5．2 設(shè)計實驗\t102
5．5．3 結(jié)果和模擬\t103
5．6 小結(jié)\t105
第6章疾病診斷分類\t106
6．1 什么是分類問題，以及如何應(yīng)用
神經(jīng)網(wǎng)絡(luò)\t106
6．2 激活函數(shù)的特殊類型——
邏輯回歸\t107
6．2．1 二分類VS多分類\t109
6．2．2 比較預(yù)期結(jié)果與產(chǎn)生
結(jié)果——混淆矩陣\t109
6．2．3 分類衡量——靈敏度和
特異性\t110
6．3 應(yīng)用神經(jīng)網(wǎng)絡(luò)進行分類\t111
6．4 神經(jīng)網(wǎng)絡(luò)的疾病診斷\t114
6．4．1 使用神經(jīng)網(wǎng)絡(luò)診斷
乳腺癌\t114
6．4．2 應(yīng)用神經(jīng)網(wǎng)絡(luò)進行早期糖
尿病診斷\t118
6．5 小結(jié)\t121
第7章客戶特征聚類\t122
7．1 聚類任務(wù)\t123
7．1．1 聚類分析\t123
7．1．2 聚類評估和驗證\t124
7．1．3 外部驗證\t125
7．2 應(yīng)用無監(jiān)督學習\t125
7．2．1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)\t125
7．2．2 Kohonen 神經(jīng)網(wǎng)絡(luò)\t126
7．2．3 數(shù)據(jù)類型\t127
7．3 客戶特征\t128
7．4 Java實現(xiàn)\t129
7．5 小結(jié)\t135
第8章模式識別（OCR案例）\t136
8．1 什么是模式識別\t136
8．1．1 定義大量數(shù)據(jù)中的
類別\t137
8．1．2 如果未定義的類沒有被
定義怎么辦\t138
8．1．3 外部驗證\t138
8．2 如何在模式識別中應(yīng)用神經(jīng)網(wǎng)絡(luò)
算法\t138
8．3 OCR問題\t140
8．3．1 簡化任務(wù)——數(shù)字
識別\t140
8．3．2 數(shù)字表示的方法\t140
8．4 開始編碼\t141
8．4．1 生成數(shù)據(jù)\t141
8．4．2 構(gòu)建神經(jīng)網(wǎng)絡(luò)\t143
8．4．3 測試和重新設(shè)計——
試錯\t144
8．4．4 結(jié)果\t145
8．5 小結(jié)\t148
第9章神經(jīng)網(wǎng)絡(luò)優(yōu)化與自適應(yīng)\t149
9．1 神經(jīng)網(wǎng)絡(luò)實現(xiàn)中的常見問題\t149
9．2 輸入選擇\t150
9．2．1 數(shù)據(jù)相關(guān)性\t150
9．2．2 降維\t151
9．2．3 數(shù)據(jù)過濾\t152
9．3 結(jié)構(gòu)選擇\t152
9．4 在線再訓練\t154
9．4．1 隨機在線學習\t155
9．4．2 實現(xiàn)\t156
9．4．3 應(yīng)用\t157
9．5 自適應(yīng)神經(jīng)網(wǎng)絡(luò)\t159
9．5．1 自適應(yīng)共振理論\t159
9．5．2 實現(xiàn)\t160
9．6 小結(jié)\t162
附錄A NetBeans環(huán)境搭建\t163
附錄B Eclipse環(huán)境搭建\t175
附錄C 參考文獻\t186