神经网络算法与实现

出版者:人民邮电出版社

作者:法比奥 (Fábio M.Soares)

页数:189

译者:范东来

出版时间:2017-9-1

价格:CNY 59.00

装帧:平装

isbn号码:9787115460936

具体描述

人工神经网络是由众多连接权值可调的神经元连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，能够完成模式识别、机器学习以及预测趋势等任务。 本书通过9章内容，并结合Java编程语言，由浅入深地介绍了神经网络算法的应用。书中涉及神经网络的构建、神经网络的结构、神经网络的学习、感知机、自组织映射等核心概念，并将天气预测、疾病诊断、客户特征聚类、模式识别、神经网络优化与自适应等经典案例囊括其中。本书在附录中详细地指导读者进行开发环境的配置，帮助读者更加顺利地进行程序开发。 本书非常适合对神经网络技术感兴趣的开发人员和业余读者阅读，读者无需具备Java编程知识，也无需提前了解神经网络的相关概念。本书将从零开始为读者进行由浅入深地讲解。 人工神经网络是由众多连接权值可调的神经元连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，能够完成模式识别、机器学习以及预测趋势等任务。

本书通过9章内容，并结合Java编程语言，由浅入深地介绍了神经网络算法的应用。书中涉及神经网络的构建、神经网络的结构、神经网络的学习、感知机、自组织映射等核心概念，并将天气预测、疾病诊断、客户特征聚类、模式识别、神经网络优化与自适应等经典案例囊括其中。本书在附录中详细地指导读者进行开发环境的配置，帮助读者更加顺利地进行程序开发。

本书非常适合对神经网络技术感兴趣的开发人员和业余读者阅读，读者无需具备Java编程知识，也无需提前了解神经网络的相关概念。本书将从零开始为读者进行由浅入深地讲解。

作者简介

Fábio M. Soares拥有帕拉联邦大学（Universidade Federal do Pará，UFPA）的计算机应用专业硕士学位，目前是该所大学的在读博士生。他从2004年开始就一直在设计神经网络解决方案，在电信、化学过程建模等多个领域开发了神经网络技术的应用，他的研究主题涉及数据驱动建模的监督学习。

他也是一名个体经营者，为巴西北部的一些中小型公司提供IT基础设施管理和数据库管理等服务。在过去，他曾为大公司工作，如Albras（世界上zui重要的铝冶炼厂之一）和Eletronorte（巴西的一个大型电源供应商）。他也有当讲师的经历，曾在亚马逊联邦农业大学（Federal Rural University）和卡斯塔尼亚尔的一个学院授课，两所学校都在帕拉州，所教的学科涉及编程和人工智能。

他出版了许多作品，其中许多都有英文版，所有作品都是关于针对某些问题的人工智能技术。他在众多权v会议上发表了一系列学术文章，如TMS（矿物金属和材料学会）、轻金属学会和智能数据工程、自动学习学会等学术会议。他还为Intech写过两章内容。

Alan M.F. Souza是来自亚马逊高 级研究所（Instituto de Estudos Superiores da Amaz?nia，IESAM）的计算机工程师。他拥有软件项目管理的研究生学位以及帕拉联邦大学（Universidade Federal do Pará，UFPA）的工业过程（计算机应用）硕士学位。自2009年以来，他一直从事神经网络方面的工作，并从2006年开始与巴西的IT公司合作进行Java、PHP、SQL和其他编程语言的开发。他热衷于编程和计算智能。目前，他是亚马逊大学（Universidade da Amaz?nia，UNAMA）的教授和帕拉联邦大学的在读博士生。

目录信息

第1章初识神经网络1
1.1探索神经网络1
1.2为什么要用人工神经网络2
1.3神经网络的构造3
1.3.1基础元素——人工神经元3
1.3.2赋予神经元生命——激活函数4
1.3.3基础值——权值5
1.3.4重要参数——偏置5
1.3.5神经网络组件——层5
1.4神经网络结构6
1.4.1单层神经网络7
1.4.2多层神经网络7
1.4.3前馈神经网络8
1.4.4反馈神经网络8
1.5从无知到有识——学习过程8
1.6实践神经网络9
1.7小结15
第2章神经网络是如何学习的16
2.1神经网络的学习能力16
2.2学习范式17
2.2.1监督学习17
2.2.2无监督学习18
2.3系统结构——学习算法19
2.3.1学习的两个阶段——训练和测试20
2.3.2细节——学习参数21
2.3.3误差度量和代价函数22
2.4学习算法示例22
2.4.1感知机22
2.4.2Delta规则23
2.5神经网络学习过程的编码23
2.5.1参数学习实现23
2.5.2学习过程24
2.5.3类定义26
2.6两个实例33
2.6.1感知机（报警系统）34
2.6.2ADALINE（交通预测）37
2.7小结42
第3章运用感知机43
3.1学习感知机神经网络43
3.1.1感知机的应用和局限性44
3.1.2线性分离44
3.1.3经典XOR（异或）例子45
3.2流行的多层感知机（MLP）47
3.2.1MLP属性48
3.2.2MLP权值49
3.2.3递归MLP50
3.2.4MLP在OOP范式中的结构50
3.3有趣的MLP应用51
3.3.1使用MLP进行分类51
3.3.2用MLP进行回归53
3.4MLP的学习过程54
3.4.1简单但很强大的学习算法——反向传播55
3.4.2复杂而有效的学习算法——Levenberg–Marquardt57
3.5MLP实现58
3.5.1实战反向传播算法61
3.5.2探索代码62
3.6Levenberg–Marquardt实现66
3.7实际应用——新生入学68
3.8小结71
第4章自组织映射72
4.1神经网络无监督学习方式72
4.2无监督学习算法介绍73
4.3Kohonen自组织映射76
4.3.1一维SOM77
4.3.2二维SOM78
4.3.3逐步实现自组织映射网络学习80
4.3.4如何使用SOM81
4.4Kohonen算法编程81
4.4.1探索Kohonen类84
4.4.2Kohonen实现（动物聚类）86
4.5小结88
第5章天气预测89
5.1针对预测问题的神经网络89
5.2无数据，无神经网络——选择数据91
5.2.1了解问题——天气变量92
5.2.2选择输入输出变量92
5.2.3移除无关行为——数据过滤93
5.3调整数值——数据预处理94
5.4Java实现天气预测96
5.4.1绘制图表96
5.4.2处理数据文件97
5.4.3构建天气预测神经网络98
5.5神经网络经验设计101
5.5.1选择训练和测试数据集101
5.5.2设计实验102
5.5.3结果和模拟103
5.6小结105
第6章疾病诊断分类106
6.1什么是分类问题，以及如何应用神经网络106
6.2激活函数的特殊类型——逻辑回归107
6.2.1二分类VS多分类109
6.2.2比较预期结果与产生结果——混淆矩阵109
6.2.3分类衡量——灵敏度和特异性110
6.3应用神经网络进行分类111
6.4神经网络的疾病诊断114
6.4.1使用神经网络诊断乳腺癌114
6.4.2应用神经网络进行早期糖尿病诊断118
6.5小结121
第7章客户特征聚类122
7.1聚类任务123
7.1.1聚类分析123
7.1.2聚类评估和验证124
7.1.3外部验证125
7.2应用无监督学习125
7.2.1径向基函数神经网络125
7.2.2Kohonen神经网络126
7.2.3数据类型127
7.3客户特征128
7.4Java实现129
7.5小结135
第8章模式识别（OCR案例）136
8.1什么是模式识别136
8.1.1定义大量数据中的类别137
8.1.2如果未定义的类没有被定义怎么办138
8.1.3外部验证138
8.2如何在模式识别中应用神经网络算法138
8.3OCR问题140
8.3.1简化任务——数字识别140
8.3.2数字表示的方法140
8.4开始编码141
8.4.1生成数据141
8.4.2构建神经网络143
8.4.3测试和重新设计——试错144
8.4.4结果145
8.5小结148
第9章神经网络优化与自适应149
9.1神经网络实现中的常见问题149
9.2输入选择150
9.2.1数据相关性150
9.2.2降维151
9.2.3数据过滤152
9.3结构选择152
9.4在线再训练154
9.4.1随机在线学习155
9.4.2实现156
9.4.3应用157
9.5自适应神经网络159
9.5.1自适应共振理论159
9.5.2实现160
9.6小结162
附录ANetBeans环境搭建163
附录BEclipse环境搭建175
附录C参考文献186
· · · · · · (收起)

用户评价

第二段： 坦白说，我购买这本书的初衷，更多的是被其“实现”二字所吸引。我是一名实践派的开发者，理论知识固然重要，但更渴望看到代码如何将那些复杂的算法落地。从封面上那略显神秘的蓝色，我预感这本书不会仅仅停留在概念的堆砌，而是会深入到算法的实现细节。我迫不及待地翻阅了关于卷积神经网络（CNN）和循环神经网络（RNN）的部分，特别是关于反向传播算法的讲解，我期望它能以一种高度工程化的视角来呈现，比如如何有效地组织代码结构，如何处理张量运算，以及如何在不同的深度学习框架（如TensorFlow或PyTorch）中实现这些模型。我对书中可能包含的实际案例和代码片段充满了期待，例如如何使用CNN来解决图像分类问题，或者如何利用RNN来处理序列数据，如文本生成或时间序列预测。我希望这些实现能够涵盖从数据预处理、模型搭建、训练优化到最终评估的完整流程，并且能够提供一些通用的代码模板，方便读者快速上手。如果书中还能提及一些部署和优化的技巧，比如模型剪枝、量化或者分布式训练，那将是锦上添花。这本书的出现，对于希望将理论知识转化为实际应用的开发者来说，无疑是一盏指路明灯。

第四段： 我在购买这本书之前，做了一些功课，了解了它在行业内的口碑。不少评价都提到了它在理论深度和实践指导性之间的平衡。这让我对接下来的阅读充满了信心。我注意到书中对“神经网络”这个宏大概念的处理方式，似乎是将其分解为一系列更小的、可管理的组成部分。我尤其对书中关于“网络结构”的设计部分感到好奇，想象着作者会如何系统地介绍全连接网络、卷积网络、循环网络，以及它们之间在信息传递和特征提取上的根本区别。我期待书中能够详细讲解不同层（如卷积层、池化层、全连接层）的功能，以及它们如何组合成一个功能强大的模型。此外，对于不同类型的神经网络，例如多层感知机（MLP）、深度卷积网络（DCN）、长短期记忆网络（LSTM）和门控循环单元（GRU），我希望书中能提供详尽的数学原理和直观的解释，让我能够理解它们各自解决问题的优势和局限。我猜测书中还会涉及一些更高级的网络模型，比如注意力机制（Attention Mechanism）和自编码器（Autoencoder），而我对此类内容格外期待。总而言之，这本书的出现，为我对神经网络的学习提供了一个扎实的地基。

第一段： 这本书的封面设计着实令人眼前一亮，那种沉静的蓝色调，配上简洁而有力的字体，仿佛在诉说着一种深度和严谨。我翻开扉页，一种知识的厚重感扑面而来。虽然我尚未深入阅读，但从目录和前言中，我已能感受到作者在结构上的匠心独运。开篇部分似乎循序渐进地铺垫了基础概念，我尤其对其中关于“感知机”的引入部分产生了浓厚的兴趣，想象着作者会如何从最原始的神经元模型出发，带领我们一步步走向更复杂的网络架构。这种从基础到高阶的引导方式，对于我这样希望系统性学习神经网络的读者来说，无疑是极大的福音。我期待着书中能够详细阐述各种激活函数的原理及其在不同场景下的应用，以及梯度下降算法的各种优化变体，例如Adam、RMSprop等，并且能清晰地解析它们在收敛速度和泛化能力上的差异。此外，对于正则化技术，如L1、L2正则化和Dropout，我希望书中能提供详实的数学推导和直观的图示，让我能真正理解它们是如何防止过拟合的，而不仅仅是停留在“知道有这么回事”的层面。这本书的出版，无疑为想要深入理解神经网络内在机制的同行们提供了一本值得珍藏的参考。

第五段： 我是一名热衷于学习新技术的研究生，在信息爆炸的时代，一本能够清晰梳理复杂概念的书籍显得尤为珍贵。我选择这本书，是因为它封面上“算法”与“实现”的组合，预示着它不仅仅是理论的堆砌，更包含了将理论付诸实践的路径。我被书中关于“训练过程”的描述所吸引，想象着作者会如何细致地解析模型训练的各个环节，从初始化权重到反向传播的梯度更新，再到优化器的选择。我期待书中能够深入讲解不同学习率的设置策略，以及它们如何影响模型的收敛速度和最终的性能。此外，对于模型调参，我希望能看到一些实用的技巧和经验总结，例如如何有效地进行超参数搜索，以及如何根据验证集的表现来调整模型。我尤其对书中关于“过拟合”与“欠拟合”的讨论充满了兴趣，希望能够看到作者提出有效的解决方案，例如数据增强、早停法等。这本书的出版，无疑为我在科研道路上探索深度学习提供了强有力的理论支撑和实践指导。

第三段： 我之所以会选择这本书，很大程度上是受到了它在“算法”二字上的承诺。作为一名对人工智能领域充满好奇的学生，我希望能够深入了解神经网络的“大脑”，而非仅仅停留在调用API的层面。我翻到关于损失函数的部分，脑海中已经勾勒出一幅图景：作者会细致地剖析各种损失函数，比如交叉熵、均方误差等，不仅解释它们的作用，还会深入探讨它们在不同任务（分类、回归）中的适用性和优劣。我尤其期待关于模型评估指标的详细论述，例如准确率、精确率、召回率、F1分数以及ROC曲线等，并希望书中能提供具体的计算方法和判读依据。此外，对于一些更前沿的算法，如生成对抗网络（GAN）或Transformer模型，我非常希望能看到它们核心思想的清晰阐述，以及在网络结构、训练策略上的创新之处。我设想书中会用大量的图例和数学公式来辅助理解，帮助我构建一个清晰而深刻的认知框架。我坚信，一本好的算法书籍，应该能够点燃读者的求知欲，激发他们探索未知领域的勇气。这本书的出版，无疑为我打开了一扇通往深度学习世界的大门。

感觉通俗易懂，又可以凭借对java的熟悉减少阅读的困难

感觉通俗易懂，又可以凭借对java的熟悉减少阅读的困难

感觉通俗易懂，又可以凭借对java的熟悉减少阅读的困难

感觉通俗易懂，又可以凭借对java的熟悉减少阅读的困难

感觉通俗易懂，又可以凭借对java的熟悉减少阅读的困难