神经网络编程实战

图书标准信息

• 作者 [巴西]法比奥·M.索尔斯
• 出版社 机械工业出版社
• 出版时间 2018-06
• 版次 1
• ISBN 9787111600121
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 211页
• 字数 100千字

【内容简介】

本书由10章构成。首先，系统、全面地阐述神经网络相关概念、知识点及特征。然后，重点介绍神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。后，介绍一些经典案例。本书适合神经网络初学者阅读，也可以作为智能化软件开发人员的工具书。

【作者简介】

:
Fabio M.Soares目前是位于巴西北部的帕拉联邦大学(UFPA)的博士研究生。他几乎对所有领域的技术都充满热情，2004．年起开始设计神经网络解决方案，此后将该技术应用于电信、工业过程控制和建模、水力发电、财务应用、零售客户分析等多个领域。他的研究课题涉及针对数据驱动模型的监督学习。2017年以来，他主要在铝冶炼和铁镍合金方面进行化学过程建模及控制的研究，同时也作为计算机编程和人工智能课程的讲师，从事教学工作。作为一名活跃的研究者，他已经在诸多会议和期刊上发表了数篇论文，参与4本书的编写。
Alan M.F.Souza是IESAM的一名IT工程师，他拥有帕拉联邦大学软件项目管理专业的研究生学历和工业过程专业（应用计算）的硕士学位。2009年以来，他一直从事神经网络相关工作，并且自2006年起，他和巴西IT公司共同致力于Java、PHP、SQL及其他编程语言的相关研发工作。他很好热爱编程和计算智能。目前他是UNAMA的教授，同时也是UFPA的博士研究生。
精彩内容:
PREFACE前    言程序员需要持续不断地学习，而且经常会面对新技术和新方法的挑战。生活中人们虽然习惯了重复的事情，但也会经历新的事情。学习过程是科学界最有趣的话题之一，很多尝试都试图描述或者再现人类的学习过程。    本书的主要挑战是学习并掌握业界近期新的内容。虽然神经网络这个名字可能看起来很奇怪，甚至可能误认为它是关于神经学的，但是我们通过把重点放在你决定购买这本书的原因上来简化这些细微差别。我们打算建立一个框架，告诉你神经网络其实很简单，很容易理解，你不需要有足够的先验知识，就接近可以理解本书提到的概念。    因此，我们希望你充分掌握本书的内容，在面对棘手问题时，能始终以初学者的态度运用神经网络的功能来解决。本书对提到的每个概念都用简单的语言进行解释，但理解它也需要一定的技术背景。本书的目的是让你了解智能应用可以通过简单语言编写。    各章概览第1章主要介绍神经网络的概念，解释基本神经元结构（单层感知机、学习机），以及激活函数、权重和学习算法。此外，该章还演示了用Java创建基本神经网络的整个过程。    第2章主要介绍神经网络学习过程的细节，解释几个有用的概念，如训练、测试和验证，演示如何实现训练和验证算法、如何进行误差评估。    第3章主要讨论感知机和监督学习的特性，展示这类神经网络的训练算法，以及如何用Java实现这些特性。    第4章主要介绍无监督学习和自组织映射，即Kohonen神经网络在分类和聚类问题中的应用。    第5章主要阐
...

【目录】

CONTENTS

目　　录

译者序

作者和审校者简介

前言

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MLP  54

3.3.4　编码实现MLP  54

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Kohonen  83

4.3.2　零维SOM  84

4.3.3　一维SOM  84

4.3.4　二维SOM  85

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NaN  113

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