●章 概述
1.1 人工神經網絡簡介
1.1.1 人工神經網絡的基本概念
1.1.2 人工神經網絡的發展史
1.1.3 神經網絡的研究內容
1.2 神經網絡的特點
1.3 神經網絡的結構
1.4 人工神經網絡的分類
1.5 人工神經網絡的學習方式
1.6 人工神經網絡的應用
1.6.1 人工神經網絡在全球氣候變化中的應用
1.6.2 人工神經網絡在控制繫統中的應用
1.6.3 人工神經網絡在疾病預後研究中的應用
第2章 感知器
2.1 件
2.1.1
2.1.2 參數
2.1.3 組合功能
2.1.4 激活功能
2.1.5 輸出功能
2.1.6 結論
2.2 感知器模型
2.2.1 超平面的定義
2.2.2 數據集的線性可分
2.3 感知器學習算法
2.3.1 感知器學習算法的原始形式
2.3.2 感知器學習算法的對偶形式
2.4 感知器的收斂性
2.5 感知器應用舉例
2.5.1 問題描述
2.5.2 添加權重和閾值
2.5.3 建立決策模型
2.5.4 向量化
2.5.5 神經網絡的運作過程
2.6 感知器的局限性
2.6.1 感知器能做什麼
2.6.2 感知器不能做什麼
第3章 BP神經網絡
3.1 前向傳播
3.2 反向傳播
第4章 支持向量機
4.1 問題提出
4.2 SVM問題
4.2.1 支持向量與樣本間隔
4.2.2 支持向量機形式化描述
4.3 對偶問題
4.3.1 SVM問題的對偶問題
4.3.2 對偶問題再討論
4.3.3 對偶問題求解
4.4 核函數
4.4.1 如何處理非線性可分數據
4.4.2 核函數的提出
4.4.3 幾種常見的核函數
4.5 軟間隔與正則化
4.5.1 如何處理噪聲數據
4.5.2 軟間隔支持向量機
4.5.3 軟間隔支持向量機對偶問題
4.5.4 正則化
第5章 深度學習
5.1 深度神經網絡概述
5.2 深度卷積神經網絡
5.2.1 卷積算子
5.2.2 卷積的特征
5.3 深度卷積神經網絡的典型結構
5.3.1 基本網絡結構
5.3.2 網絡結構模式
5.4 深度卷積神經網絡的層
5.4.1 卷積層
5.4.2 池化層
5.4.3 激活層
5.5 深度卷積神經網絡在圖像識別中的應用
第6章 強化學習
6.1 強化學習概述
6.2 強化學習問題建模——馬爾可夫決策過程
6.3 強化學習算法簡介
6.3.1 基於值函數的策略學習方法
6.3.2 策略搜索算法
6.4 深度強化學習
6.5 小結
第7章 極限學習
7.1 極限學習概述
7.2 極限學習算法
7.3 極限學習的改進
7.3.1 核極限學習
7.3.2 增量型極限學習
7.3.3 深度極限學習
7.4 極限學習的應用
7.4.1 極限學習在圖像分類中的應用
7.4.2 極限學習在入侵檢測中的應用
7.4.3 極限學習在故障識別中的應用
7.5 小結
第8章 TensorFlow機器學習平臺
8.1 TensorFlow起源
8.2 TensorFlow簡介
8.3 TensorFlow的特征
8.4 TensorFlow使用對像、環境及兼容性
8.5 TensorFlow的其他模塊
8.6 安全性
第9章 神經網絡的應用
9.1 基於神經網絡的圖像處理
9.2 基於神經網絡的信號處理
9.3 基於神經網絡的模式識別
9.4 基於神經網絡的機器控制
參考文獻
內容簡介
本書共分為9章，章介紹神經網絡的概念、特點、拓撲結構和應用，第2章介紹感知器模型、模型、學習策略、局限性和收斂性，第3章介紹BP神經網絡，第4章介紹支持向量機，第5章介紹深度學習網絡及應用，第6章介紹強化學習，第7章介紹極限學習及應用，第8、9章介紹神經網絡在文字識別、語音生成與識別、圖像生成與識別等領域的應用。
本書適合電子、自動化、物聯網、計算機、人工智能、大數據等專業本科生和研究生學習，也可供人工智能領域相關的從業人員學習使用。
