神经网络编程实战 Java语言实现 原书第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

神经网络编程实战 Java语言实现 原书第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 神经网络入门1

1.1 探索神经网络1

1.2 人工神经网络2

1.2.1 神经网络是如何组织的3

1.2.2 基本元素——人工神经元3

1.2.3 赋予神经元生命——激活函数4

1.2.4 可变参数——权重5

1.2.5 额外参数——偏置6

1.2.6 由部分到整体——层6

1.2.7 神经网络体系结构7

1.2.8 单层网络7

1.2.9 多层网络8

1.2.10 前馈网络8

1.2.11 反馈网络8

1.3 从无知到认知——学习过程9

1.4 开始编程——神经网络实践10

1.5 神经元类12

1.6 NeuralLayer类14

1.7 ActivationFunction接口15

1.8 神经网络类15

1.9 运行程序17

1.10 本章小结19

第2章 神经网络学习20

2.1 神经网络的学习能力21

2.2 学习模式22

2.2.1 监督学习22

2.2.2 无监督学习22

2.3 学习过程23

2.3.1 寻找损失函数最优下降方向24

2.3.2 在学习过程中更新权重25

2.3.3 计算损失函数25

2.3.4 一般误差和总体误差27

2.3.5 神经网络的迭代学习什么时候停止比较好27

2.4 学习算法示例28

2.4.1 δ规则29

2.4.2 学习率30

2.4.3 实现δ规则30

2.4.4 δ规则学习的核心——train和calcNewWeight方法31

2.4.5 另一种学习算法——Hebbian学习34

2.4.6 学习机35

2.5 在实践中理解学习过程37

2.6 测试41

2.7 本章小结43

第3章 感知机和监督学习44

3.1 监督学习——训练神经网络45

3.1.1 分类——寻找合适的类别45

3.1.2 回归——将实际输入映射到输出46

3.2 一个基本的神经结构——感知机48

3.2.1 应用和限制49

3.2.2 线性可分49

3.2.3 “异或”问题50

3.3 多层感知机52

3.3.1 MLP属性52

3.3.2 MLP权重53

3.3.3 递归MLP54

3.3.4 编码实现MLP54

3.4 MLP学习55

3.4.1 反向传播算法56

3.4.2 动量项58

3.4.3 编码实现反向传播58

3.4.4 Levenberg-Marquardt算法62

3.4.5 编码实现基于矩阵代数的Levenberg-Marquardt算法64

3.4.6 极限学习机66

3.5 实例1——基于δ规则和反向69

传播的“异或”问题69

3.6 实例2——预测入学状态72

3.7 本章小结75

第4章 自组织映射76

4.1 无监督神经网络76

4.2 无监督学习算法77

4.2.1 竞争学习78

4.2.2 竞争层80

4.3 Kohonen自组织映射82

4.3.1 将神经网络代码扩展至 Kohonen83

4.3.2 零维SOM84

4.3.3 一维SOM84

4.3.4 二维SOM85

4.3.5 2D竞争层87

4.3.6 SOM学习算法89

4.3.7 邻近神经元的影响——邻域函数90

4.3.8 学习率91

4.3.9 竞争学习的一个新类92

4.3.10 SOM可视化95

4.3.11 绘制训练数据集和神经元权重的2D图97

4.3.12 测试Kohonen学习99

4.4 本章小结105

第5章 预报天气106

5.1 神经网络用于回归问题106

5.2 加载/选择数据108

5.2.1 创建辅助类108

5.2.2 从CSV文件加载数据集111

5.2.3 创建时序结构112

5.2.4 丢弃NaN113

5.2.5 获取天气数据114

5.2.6 天气变量115

5.3 选择输入和输出变量115

5.4 预处理117

5.4.1 归一化117

5.4.2 应用NeuralDataSet处理归一化121

5.4.3 应用学习算法进行归一化123

5.4.4 天气预报的Java实现123

5.4.5 收集天气数据123

5.4.6 延迟变量126

5.4.7 加载数据并开始运行126

5.4.8 相关性分析128

5.4.9 创建神经网络131

5.4.10 训练和测试131

5.4.11 可视化神经网络的输出133

5.5 神经网络实验设计134

5.5.1 设计实验134

5.5.2 结果和模拟135

5.6 本章小结138

第6章 疾病分类识别139

6.1 分类问题的基础139

6.1.1 分类数据140

6.1.2 处理分类数据141

6.2 逻辑回归142

6.2.1 多分类与二分类143

6.2.2 混淆矩阵144

6.2.3 敏感性与特异性144

6.2.4 实现混淆矩阵145

6.3 分类神经网络147

6.4 用神经网络进行疾病识别147

6.4.1 乳腺癌识别148

6.4.2 糖尿病识别151

6.5 本章小结154

第7章 客户画像聚类155

7.1 聚类任务156

7.1.1 聚类分析156

7.1.2 聚类评估和验证157

7.1.3 实现158

7.1.4 外部验证159

7.2 应用无监督学习159

7.3 画像过程160

7.3.1 预处理160

7.3.2 Java实现161

7.3.3 信用卡——客户画像信用分析161

7.3.4 产品画像165

7.3.5 多少个簇合适166

7.4 本章小结167

第8章 文本识别168

8.1 模式识别168

8.1.1 类已知169

8.1.2 类未知170

8.2 神经网络用于模式识别171

8.2.1 数据预处理171

8.2.2 文本识别（光学字符识别）172

8.2.3 数字识别172

8.2.4 数字表示172

8.2.5 Java实现173

8.2.6 数据生成173

8.2.7 神经结构174

8.2.8 实验174

8.2.9 结果176

8.3 本章小结179

第9章 神经网络优化与调整180

9.1 神经网络实现的常见问题181

9.2 输入数据选择181

9.2.1 数据相关性182

9.2.2 数据转换183

9.2.3 降维183

9.2.4 数据过滤184

9.2.5 交叉验证186

9.2.6 神经网络结构选择187

9.3 在线重训练189

9.3.1 随机在线学习190

9.3.2 实现190

9.3.3 应用191

9.4 自适应神经网络193

9.4.1 自适应谐振理论193

9.4.2 实现194

9.5 本章小结195

第10章 神经网络当前趋势196

10.1 深度学习196

10.2 深度架构198

10.2.1 如何用Java实现深度学习199

10.2.2 神经模糊201

10.2.3 神经遗传203

10.3 实现混合神经网络204

10.4 本章小结207

参考文献208