神經網絡與機器學習(原書第3版)

所属分类:人工智能  
出版时间:2011-3   出版时间:機械工業出版社   作者:[加] Simon Haykin   页数:572   译者:申富饒,徐燁,鄭俊,晁靜  

内容概要

神經網絡是計算智能和機器學習的重要分支,在諸多領域都取得了很大的成功。在眾多神經網絡著作中,影響最為廣泛的是Simon Haykin的《神經網絡原理》(第3版更名為《神經網絡與機器學習》)。在本書中,作者結合近年來神經網絡和機器學習的最新進展,從理論和實際應用出發,全面、系統地介紹了神經網絡的基本模型、方法和技術,並將神經網絡和機器學習有機地結合在一起。  本書不但注重對數學分析方法和理論的探討,而且也非常關注神經網絡在模式識別、信號處理以及控制系統等實際工程問題的應用。本書的可讀性非常強,作者舉重若輕地對神經網絡的基本模型和主要學習理論進行了深入探討和分析,通過大量的試驗報告、例題和習題來幫助讀者更好地學習神經網絡。  本版在前一版的基礎上進行了廣泛修訂,提供了神經網絡和機器學習這兩個越來越重要的學科的最新分析。  本書特色︰  1. 基于隨機梯度下降的在線學習算法;小規模和大規模學習問題。  2. 核方法,包括支持向量機和表達定理。  3. 信息論學習模型,包括連接、獨立分量分析(ICA)、一致獨立分量分析和信息瓶頸。  4. 隨機動態規劃,包括逼近和神經動態規劃。  5. 逐次狀態估計算法,包括卡爾曼和粒子濾波器。  6. 利用逐次狀態估計算法訓練遞歸神經網絡。  7. 富有洞察力的面向計算機的試驗。

作者简介

作者︰(加拿大)海金(Simon Haykin) 譯者︰申富饒 徐燁 鄭俊 晁靜Simon Haykin,是國際電子電氣工程界的著名學者,加拿大皇家學會院士,IEEE會士,于1953年獲得英國伯明翰大學博士學位,現任加拿大麥克馬斯特大學教授,在該校創辦了通信研究實驗室並長期擔任主任。他曾經獲得IEEE McNaughton獎章,在神經網絡、通信、自適應濾波器等領域成果頗豐,著有多種標準教材。

书籍目录

出版者的话译者序前言缩写和符号术语第0章 导言0.1 什么是神经网络0.2 人类大脑0.3 神经元模型0.4 被看作有向图的神经网络0.5 反馈0.6 网络结构0.7 知识表示0.8 学习过程0.9 学习任务0.10 结束语注释和参考文献第1章 Rosenblatt感知器1.1 引言1.2 感知器1.3 感知器收敛定理1.4 高斯环境下感知器与贝叶斯分类器的关系1.5 计算机实验:模式分类1.6 批量感知器算法1.7 小结和讨论注释和参考文献习题第2章 通过回归建立模型2.1 引言2.2 线性回归模型:初步考虑2.3 参数向量的最大后验估计2.4 正则最小二乘估计和MAP估计之间的关系2.5 计算机实验:模式分类2.6 最小描述长度原则2.7 固定样本大小考虑2.8 工具变量方法2.9 小结和讨论注释和参考文献习题第3章 最小均方算法3.1 引言3.2 LMS算法的滤波结构3.3 无约束最优化:回顾3.4 维纳滤波器3.5 最小均方算法3.6 用马尔可夫模型来描画LMS算法和维纳滤波器的偏差3.7 朗之万方程:布朗运动的特点3.8 Kushner直接平均法3.9 小学习率参数下统计LMS学习理论3.10 计算机实验ⅰ:线性预测3.11 计算机实验ⅱ:模式分类3.12 LMS算法的优点和局限3.13 学习率退火方案3.14 小结和讨论注释和参考文献习题第4章 多层感知器4.1 引言4.2 一些预备知识4.3 批量学习和在线学习4.4 反向传播算法4.5 异或问题4.6 改善反向传播算法性能的试探法4.7 计算机实验:模式分类4.8 反向传播和微分4.9 Hessian矩阵及其在在线学习中的规则4.10 学习率的最优退火和自适应控制4.11 泛化4.12 函数逼近4.13 交叉验证4.14 复杂度正则化和网络修剪4.15 反向传播学习的优点和局限4.16 作为最优化问题看待的监督学习4.17 卷积网络4.18 非线性滤波4.19 小规模和大规模学习问题4.20 小结和讨论注释和参考文献习题第5章 核方法和径向基函数网络5.1 引言5.2 模式可分性的Cover定理5.3 插值问题5.4 径向基函数网络5.5 K-均值聚类5.6 权向量的递归最小二乘估计5.7 RBF网络的混合学习过程5.8 计算机实验:模式分类5.9 高斯隐藏单元的解释5.10 核回归及其与RBF网络的关系5.11 小结和讨论注释和参考文献习题第6章支持向量机6.1 引言6.2 线性可分模式的最优超平面6.3 不可分模式的最优超平面6.4 使用核方法的支持向量机6.5 支持向量机的设计6.6 XOR问题6.7 计算机实验:模式分类6.8 回归:鲁棒性考虑6.9 线性回归问题的最优化解6.10表示定理和相关问题6.11 小结和讨论注释和参考文献习题第7章 正则化理论7.1 引言7.2 良态问题的Hadamard条件7.3 Tikhonov正则化理论7.4 正则化网络7.5 广义径向基函数网络7.6 再论正则化最小二乘估计7.7 对正则化的附加要点7.8 正则化参数估计7.9 半监督学习7.1 0流形正则化:初步的考虑7.1 1可微流形7.1 2广义正则化理论7.1 3光谱图理论7.1 4广义表示定理7.1 5拉普拉斯正则化最小二乘算法7.1 6用半监督学习对模式分类的实验7.1 7小结和讨论注释和参考文献习题第8章 主分量分析8.1 引言232……第9章 自组织映射第10章 信息论学习模型第11章 植根于统计力学的随机方法第12章 动态规划第13章 神经动力学第14章 动态系统状态估计的贝叶斯滤波第15章 动态驱动递归网络参考文献

章节摘录

版權頁︰插圖︰0.1什麼是神經網絡自從認識到人腦計算與傳統的數字計算機相比是完全不同的方式開始,關于人工神經網絡(一般稱為“神經網絡”(neural network))的研究工作就開始了。人腦是一個高度復雜的、非線性的和並行的計算機器(信息處理系統)。人腦能夠組織它的組成成分,即神經元,以比今天已有的最快的計算機還要快許多倍的速度進行特定的計算(如模式識別、感知和發動機控制)。例如,考慮人類視覺,這是一個信息處理任務。視覺系統的功能是為我們提供一個關于周圍環境的表示,並且更重要的是提供我們與環境交互(interact)所需的信息。具體來說,完成一個感知識別任務(例如識別一張被嵌入陌生場景的熟悉的臉)人腦大概需要100∼200毫秒,而一台高效的計算機卻要花費比人腦多很多的時間才能完成一個相對簡單的任務。再舉一個例子︰考慮一只蝙蝠的聲吶。聲吶就是一個活動回聲定位系統。除了提供目標(例如飛行的昆蟲)有多遠的信息外,蝙蝠的聲吶可以搜集目標的相對速度、目標大小、目標不同特征的大小以及它的方位角和仰角的信息。所有這些信息都從目標回聲中提取,而所有需要的復雜神經計算只在李子般大小的腦中完成。事實上,一只回聲定位的蝙蝠可以靈巧地以很高的成功率追逐和捕捉目標,這一點足以使雷達或聲吶工程師們自嘆弗如。那麼,人腦或蝙蝠的腦是如何做到這一點的呢?腦在出生的時候就有很復雜的構造和具有通過我們通常稱為的“經驗”來建立它自己規則的能力。確實,經驗是經過時間積累的,人腦在出生後頭兩年內發生了非常大的進化(即硬接線),但是進化將超越這個階段並繼續進行。一個“進化中”的神經系統是與可塑的大腦同義的。可塑性(plasticity)允許進化中的神經系統適應(adapt)其周邊環境。可塑性似乎是人類大腦中作為信息處理單元的神經元功能的關鍵,同樣,它在人工神經元組成的神經網絡中亦是如此。最普通形式的神經網絡,就是對人腦完成特定任務或感興趣功能所采用的方法進行建模的機器。網絡一般用電子元件實現或者用軟件在數字計算機上模擬。在本書中,我們集中介紹一類重要的神經網絡,這類網絡通過學習過程來實現有用的計算。為了獲得良好性能,神經網絡使用一個很龐大的簡單計算單元間的相互連接,這些簡單計算單元稱為“神經元”或者“處理單元”。據此我們給出將神經網絡看作一種自適應機器的定義。

编辑推荐

《神经网络与机器学习(原书第3版)》:神经网络是计算智能和机器学习的重要分支,在诸多领域都取得了很大的成功。在众多神经网络著作中,影响最为广泛的是Simon Haykin的《神经网络原理》(第3版更名为《神经网络与机器学习》)。在《神经网络与机器学习(原书第3版)》中,作者结合近年来神经网络和机器学习的最新进展,从理论和实际应用出发,全面、系统地介绍了神经网络的基本模型、方法和技术,并将神经网络和机器学习有机地结合在一起。《神经网络与机器学习(原书第3版)》不但注重对数学分析方法和理论的探讨,而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。《神经网络与机器学习(原书第3版)》的可读性非常强,作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析,通过大量的实验报告、例题和习题来帮助读者更好地学习神经网络。本版在前一版的基础上进行了广泛修订,提供了神经网络和机器学习这两个越来越重要的学科的最新分析。《神经网络与机器学习(原书第3版)》特色  ·基于随机梯度下降的在线学习算法;小规模和大规模学习问题。  ·核方法,包括支持向量机和表示定理。  ·信息论学习模型,包括独立分量分析(1CA)、相关独立分量分析和信息瓶颈等。  ·随机动态规划,包括逼近和神经动态规划。  ·逐次状态估计算法,包括卡尔曼和粒子滤波器。  ·利用逐次状态估计算法训练递归神经网络。  ·富有洞察力的面向计算机的实验。

图书封面




    神經網絡與機器學習(原書第3版)下載



用户评论 (总计17条)

 
 

  •     原書內容豐富,可惜中譯本錯誤太多,隨處可見符號錯誤,有些部分則比機器翻譯好不了多少。南京大學、國家重點實驗室、自然科學基金。這麼多名頭,就是翻譯不好一本書。
  •     今天查個資料,所以把這本書拿來翻了一下,發現翻譯得之垃圾,懷疑譯者根本就沒讀懂就來翻譯,隨處可見很奇葩的翻譯,比如,p381頁末尾,“。。。調整規則是獨立于神經元的可見與否,不管它們可見或都不可見”,草,到底可見還是不可見啊?又如第383頁,“這種小風琴的特別之處在于在可見神經元和隱藏神經元之間沒有連接。” 這是明顯錯誤,如果沒有連接,怎麼叫神經網絡?譯者這種做事態度真叫人無語。不過話說回來,這本書除了比較全面外,原文寫得也並不怎麼樣,易讀性很差,除非你已經懂了,否則直接從這本書出發是什麼都看不懂的,如果你已經懂了,這本書也不能給你更高高度的認識,看似全面,又貌似深奧,其實關鍵部分又淺嘗則自,易讀性方面比Bishop的書差遠了。
  •     一本書,譯者超過三人,那就是垃圾了。就是在玷污原著。這麼多年讀書的經驗是︰一個人翻譯的書最好,兩個人翻譯的還行,三個人翻譯的那就最好不要買了,最可惡的是三個人後面還加個“ 等 譯”,那絕對是垃圾翻譯
  •     本書語句之不通順,詞之不能達意,術語翻譯之混亂,排版錯誤之多,都達到了人神共憤的地步,願出版社引以為戒,翻譯人懸崖勒馬,勿要再糟蹋好書。
  •     還好,比較實用,是本不錯的書。
  •     deep learning的火爆讓沉寂多年神經網絡迎來又一春,該書深入簡出地對神經網絡進行了較為全面的介紹,很值得一看。
  •     機器學習的經典書籍,值得購買
  •     翻譯的不好,太拗口,看不懂。
  •     這本書很好,非常經典,可以作為深度學習的先行書籍
  •     是正版,運輸途中可能受天氣影響,書後邊幾頁濕了,下端書脊好像是被摔過,
  •     不過印刷還可以。。。。
  •     看到網上說翻譯得不好,本來打算只是收藏下,畢竟前一版看了還是挺不錯的。其實這版翻譯得還是不錯的,錯誤不多。沒白買。從書中可以看出,作者治學嚴謹,教授方式也考慮過。確實是本好書,贊下!!!
  •     很是不錯,經典書,適合收藏用
  •     書是不錯的,不過難度有點大,統計的知識用的比較多
  •     神經網絡
  •     神經網絡與機器學習
  •     機器學習,神經網絡
 

計算機與互聯網 PDF免费下载,人工智能PDF免费下载。 计算机教程网 

计算机教程网 @ 2017