神經(jīng)網(wǎng)絡(luò)入門與實(shí)戰(zhàn)

目錄
第1章概述1
1.1人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介1
1.1.1人工神經(jīng)網(wǎng)絡(luò)的基本概念1
1.1.2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展史2
1.1.3神經(jīng)網(wǎng)絡(luò)的研究?jī)?nèi)容5
1.2神經(jīng)網(wǎng)絡(luò)的特點(diǎn)5
1.3神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)6
1.4人工神經(jīng)網(wǎng)絡(luò)的分類7
1.5人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式9
1.6人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用9
1.6.1人工神經(jīng)網(wǎng)絡(luò)在全球氣候變化中的應(yīng)用10
1.6.2人工神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中的應(yīng)用10
1.6.3人工神經(jīng)網(wǎng)絡(luò)在疾病預(yù)后研究中的應(yīng)用11
第2章感知器13
2.1感知器元件14
2.1.1神經(jīng)元14
2.1.2神經(jīng)元參數(shù)16
2.1.3組合功能16
2.1.4激活功能16
2.1.5輸出功能18
2.1.6結(jié)論18
2.2感知器模型19
2.2.1超平面的定義19
2.2.2數(shù)據(jù)集的線性可分20
2.3感知器學(xué)習(xí)算法22
2.3.1感知器學(xué)習(xí)算法的原始形式23
2.3.2感知器學(xué)習(xí)算法的對(duì)偶形式24
2.4感知器的收斂性25
2.5感知器應(yīng)用舉例25
2.5.1問題描述25
2.5.2添加權(quán)重和閾值26
2.5.3建立決策模型26
2.5.4向量化27
2.5.5神經(jīng)網(wǎng)絡(luò)的運(yùn)作過程28
2.6感知器的局限性29
2.6.1感知器能做什么29
2.6.2感知器不能做什么29
第3章BP神經(jīng)網(wǎng)絡(luò)31
3.1前向傳播37
3.2反向傳播38
第4章支持向量機(jī)41
4.1問題提出41
4.2SVM問題42
4.2.1支持向量與樣本間隔42
4.2.2支持向量機(jī)形式化描述43
4.3對(duì)偶問題43
4.3.1SVM問題的對(duì)偶問題43
4.3.2對(duì)偶問題再討論44
4.3.3對(duì)偶問題求解45
4.4核函數(shù)46
4.4.1如何處理非線性可分?jǐn)?shù)據(jù)46
4.4.2核函數(shù)的提出47
4.4.3幾種常見的核函數(shù)48
4.5軟間隔與正則化49
4.5.1如何處理噪聲數(shù)據(jù)49
4.5.2軟間隔支持向量機(jī)49
4.5.3軟間隔支持向量機(jī)對(duì)偶問題50
4.5.4正則化51
第5章深度學(xué)習(xí)53
5.1深度神經(jīng)網(wǎng)絡(luò)概述53
5.2深度卷積神經(jīng)網(wǎng)絡(luò)55
5.2.1卷積算子55
5.2.2卷積的特征55
5.3深度卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)56
5.3.1基本網(wǎng)絡(luò)結(jié)構(gòu)56
5.3.2網(wǎng)絡(luò)結(jié)構(gòu)模式56
5.4深度卷積神經(jīng)網(wǎng)絡(luò)的層60
5.4.1卷積層60
5.4.2池化層60
5.4.3激活層60
5.5深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用61
第6章強(qiáng)化學(xué)習(xí)63
6.1強(qiáng)化學(xué)習(xí)概述63
6.2強(qiáng)化學(xué)習(xí)問題建?！R爾可夫決策過程64
6.3強(qiáng)化學(xué)習(xí)算法簡(jiǎn)介65
6.3.1基于值函數(shù)的策略學(xué)習(xí)方法65
6.3.2策略搜索算法70
6.4深度強(qiáng)化學(xué)習(xí)76
6.5小結(jié)79
第7章極限學(xué)習(xí)80
7.1極限學(xué)習(xí)概述80
7.2極限學(xué)習(xí)算法80
7.3極限學(xué)習(xí)的改進(jìn)82
7.3.1核極限學(xué)習(xí)82
7.3.2增量型極限學(xué)習(xí)84
7.3.3深度極限學(xué)習(xí)85
7.4極限學(xué)習(xí)的應(yīng)用87
7.4.1極限學(xué)習(xí)在圖像分類中的應(yīng)用88
7.4.2極限學(xué)習(xí)在入侵檢測(cè)中的應(yīng)用88
7.4.3極限學(xué)習(xí)在故障識(shí)別中的應(yīng)用91
7.5小結(jié)91
第8章TensorFlow機(jī)器學(xué)習(xí)平臺(tái)93
8.1TensorFlow起源95
8.2TensorFlow簡(jiǎn)介95
8.3TensorFlow的特征96
8.4TensorFlow使用對(duì)象、環(huán)境及兼容性97
8.5TensorFlow的其他模塊98
8.6安全性101
第9章神經(jīng)網(wǎng)絡(luò)的應(yīng)用102
9.1基于神經(jīng)網(wǎng)絡(luò)的圖像處理102
9.2基于神經(jīng)網(wǎng)絡(luò)的信號(hào)處理109
9.3基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別109
9.4基于神經(jīng)網(wǎng)絡(luò)的機(jī)器控制122
參考文獻(xiàn)126