神经网络与机器学习[原书第3版]

相关阅读>>>

 

　　本书是关于神经网络的全面的、彻底的、可读性很强的、*的论述。全书共15章，主要内容包括rosenblatt感知器、通过回归建立模型、*小均方算法、多层感知器、核方法和径向基函数网络、支持向量机、正则化理论、主分量分析、自组织映射、信息论学习模型、动态规划、神经动力学、动态系统状态估计的贝叶斯滤波等。
　　本书适合作为高等院校计算机相关专业研究生及本科生的教材，也可供相关领域的工程技术人员参考。

Simon Haykin是国际电子电气工程界的著名学者，加拿大皇家学会院士，IEEE会士，于1953年获得英国伯明翰大学博士学位，现任加拿大麦克马斯特大学教授，在该校创办了通信研究实验室并长期担任主任。他曾经获得IEEE McNaughton奖章，在神经网络、通信、自适应滤波器等领域成果颇丰，著有多种标准教材。

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　参数向量的后验估计
　2.4　正则小二乘估计和map估计之间的关系
　2.5　计算机实验：模式分类
　2.6　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　小均方算法
　3.1　引言
　3.2　lms算法的滤波结构
　3.3　无约束化：回顾
　3.4　维纳滤波器
　3.5　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7
第4章　多层感知器
第5章　核方法和径向基函数网络
第6章　支持向量机
第7章　正则化理论
第8章　主分量分析
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