包邮神经网络与机器学习(原书第3版)|197697 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页

加 Simon Haykin 著，申富饶徐烨郑俊译

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书大百科

book.teaonline.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-11-10

类似图书点击查看全场最低价

图书介绍

店铺：互动创新图书专营店

出版社：机械工业出版社

ISBN：9787111324133

商品编码：27160239077

丛书名：计算机科学丛书

出版时间：2011-03-01

页数：572

图书描述

书[0名0]：	神经网络与 [1机1] 器[0学0]习(原书[0第0]3版)\|197697
图书定价：	79元
图书作者：	(加)Simon Haykin
出版社：	[1机1] 械工业出版社
出版日期：	2011/3/1 0:00:00
ISBN号：	9787111324133
开本：	16开
页数：	572
版次：	3-1

作者简介

Simon Haykin是[0国0]际电子电气工程界的著[0名0][0学0]者，加拿[0大0]皇家[0学0][0会0]院士，IEEE[0会0]士，于1953年获得英[0国0]伯明翰[0大0][0学0]博士[0学0]位，现任加拿[0大0]麦克马斯特[0大0][0学0]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[0领0]域成果颇丰，著有多种标准教材。

内容简介

本书是关于神经网络的全面的、彻底的、可读性很强的、[亲斤]的论述。全书共15章，主要内容包括Rosenblatt感[0知0]器、通过回归建立模型、小均方算[0法0]、多层感[0知0]器、核方[0法0]和径向基函数网络、支持向量 [1机1] 、正则化理论、主分量分析、自组织映射、信息论[0学0]习模型、动态规划、神经动力[0学0]、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 [1机1] 相关专业研究生及本科生的教材，也可供相关[0领0]域的工程技术人员参考。

出版者的话
译者序
前言
缩写和符号
术语
[0第0]0章导言1
0.1什么是神经网络1
0.2人类[0大0]脑4
0.3神经元模型7
0.4被看作有向图的神经网络10
0.5反馈11
0.6网络结构13
0.7[0知0]识表示14
0.8[0学0]习过程20
0.9[0学0]习任务22
0.10结束语27
注释和参考文献27
[0第0]1章Rosenblatt感[0知0]器28
1.1引言28
1.2感[0知0]器28
1.3感[0知0]器收敛定理29
1.4高斯环境下感[0知0]器与贝叶斯分类器的关系33
1.5计算 [1机1] 实验：模式分类36
1.6批量感[0知0]器算[0法0]38
1.7小结和讨论39
注释和参考文献39
习题40
[0第0]2章通过回归建立模型28
2.1引言41
2.2线性回归模型：初步考虑41
2.3参数向量的[0大0]后验估计42
2.4正则小二乘估计和MAP估计之间的关系46
2.5计算 [1机1] 实验：模式分类47
2.6小描述长度原则48
2.7固定样本[0大0]小考虑50
2.8工具变量方[0法0]53
2.9小结和讨论54
注释和参考文献54
习题55
[0第0]3章小均方算[0法0]56
3.1引言56
3.2LMS算[0法0]的滤波结构56
3.3无约束[0优0]化：回顾58
3.4维纳滤波器61
3.5小均方算[0法0]63
3.6用马尔可夫模型来描画LMS算[0法0]和维纳滤波器的偏差64
3.7朗之万方程：布朗运动的特点65
3.8Kushner直接平均[0法0]66
3.9小[0学0]习率参数下统计LMS[0学0]习理论67
3.10计算 [1机1] 实验Ⅰ：线性预测68
3.11计算 [1机1] 实验Ⅱ：模式分类69
3.12LMS算[0法0]的[0优0]点和局限71
3.13[0学0]习率退火方案72
3.14小结和讨论73
注释和参考文献74
习题74
[0第0]4章多层感[0知0]器77
4.1引言77
4.2一些预备[0知0]识78
4.3批量[0学0]习和在线[0学0]习79
4.4反向传播算[0法0]81
4.5异或问题89
4.6改善反向传播算[0法0]性能的试探[0法0]90
4.7计算 [1机1] 实验：模式分类94
4.8反向传播和微分95
4.9Hessian矩阵及其在在线[0学0]习中的规则96
4.10[0学0]习率的[0优0]退火和自适应控制98
4.11泛化102
4.12函数逼近104
4.13交叉验证107
4.14复杂度正则化和网络修剪109
4.15反向传播[0学0]习的[0优0]点和局限113
4.16作为[0优0]化问题看待的监督[0学0]习117
4.17卷积网络126
4.18非线性滤波127
4.19小规模和[0大0]规模[0学0]习问题131
4.20小结和讨论136
注释和参考文献137
习题138
[0第0]5章核方[0法0]和径向基函数网络144
5.1引言144
5.2模式可分性的Cover定理144
5.3插值问题148
5.4径向基函数网络150
5.5K-均值聚类152
5.6[0[0权0]0]向量的递归小二乘估计153
5.7RBF网络的混合[0学0]习过程156
5.8计算 [1机1] 实验：模式分类157
5.9高斯隐藏单元的解释158
5.10核回归及其与RBF网络的关系160
5.11小结和讨论162
注释和参考文献164
习题165
[0第0]6章支持向量 [1机1] 168
6.1引言168
6.2线性可分模式的[0优0][0超0]平面168
6.3不可分模式的[0优0][0超0]平面173
6.4使用核方[0法0]的支持向量 [1机1] 176
6.5支持向量 [1机1] 的设计178
6.6XOR问题179
6.7计算 [1机1] 实验:模式分类181
6.8回归：鲁棒性考虑184
6.9线性回归问题的[0优0]化解184
6.10表示定理和相关问题187
6.11小结和讨论191
注释和参考文献192
习题193
[0第0]7章正则化理论197
7.1引言197
7.2良态问题的Had [a0m0a0] rd条件198
7.3Tikho[0no0]v正则化理论198
7.4正则化网络205
7.5广义径向基函数网络206
7.6再论正则化小二乘估计209
7.7对正则化的附加要点211
7.8正则化参数估计212
7.9半监督[0学0]习215
7.10流形正则化：初步的考虑216
7.11可微流形217
7.12广义正则化理论220
7.13光谱图理论221
7.14广义表示定理222
7.15拉普拉斯正则化小二乘算[0法0]223
7.16用半监督[0学0]习对模式分类的实验225
7.17小结和讨论227
注释和参考文献228
习题229
[0第0]8章主分量分析232
8.1引言232
8.2自组织原则232
8.3自组织的特征分析235
8.4主分量分析：扰动理论235
8.5基于Hebb的[0大0]特征滤波器241
8.6基于Hebb的主分量分析247
8.7计算 [1机1] 实验：图像编码251
8.8核主分量分析252
8.9自然图像编码中的基本问题256
8.10核Hebb算[0法0]257
8.11小结和讨论260
注释和参考文献262
习题264
[0第0]9章自组织映射268
9.1引言268
9.2两个基本的特征映射模型269
9.3自组织映射270
9.4特征映射的性质275
9.5计算 [1机1] 实验Ⅰ：利用SOM解网格动力[0学0]问题280
9.6上下文映射281
9.7分层向量量化283
9.8核自组织映射285
9.9计算 [1机1] 实验Ⅱ：利用核SOM解点阵动力[0学0]问题290
9.10核SOM和相对熵之间的关系291
9.11小结和讨论293
注释和参考文献294
习题295
[0第0]10章信息论[0学0]习模型299
10.1引言299
10.2熵300
10.3[0大0]熵原则302
10.4互信息304
10.5相对熵306
10.6系词308
10.7互信息作为[0优0]化的目标函数310
10.8[0大0]互信息原则311
10.9[0大0]互信息和冗余减少314
10.10空间相干特征316
10.11空间非相干特征318
10.12[0独0]立分量分析320
10.13自然图像的稀疏编码以及与ICA编码的比较324
10.14[0独0]立分量分析的自然梯度[0学0]习326
10.15[0独0]立分量分析的[0大0]似然估计332
10.16盲源分离的[0大0]熵[0学0]习334
10.17[0独0]立分量分析的负熵[0大0]化337
10.18相关[0独0]立分量分析342
10.19速率失真理论和信息瓶颈347
10.20数据的[0优0]流形表达350
10.21计算 [1机1] 实验：模式分类354
10.22小结和讨论354
注释和参考文献356
习题361
[0第0]11章植根于统计力[0学0]的随 [1机1] 方[0法0]366
11.1引言366
11.2统计力[0学0]367
11.3马尔可夫链368
11.4Metropolis算[0法0]374
11.5模拟退火375
11.6Gibbs抽样377
11.7Boltzmann [1机1] 378
11.8logistic信度网络382
11.9深度信度网络383
11.10确定性退火385
11.11和EM算[0法0]的类比389
11.12小结和讨论390
注释和参考文献390
习题392
[0第0]12章动态规划396
12.1引言396
12.2马尔可夫决策过程397
12.3Bellman[0优0]准则399
12.4策略迭代401
12.5值迭代402
12.6逼近动态规划：直接[0法0]406
12.7时序差分[0学0]习406
12.8Q[0学0]习410
12.9逼近动态规划：非直接[0法0]412
12.10小二乘策略[0评0]估414
12.11逼近策略迭代417
12.12小结和讨论419
注释和参考文献421
习题422
[0第0]13章神经动力[0学0]425
13.1引言425
13.2动态系统426
13.3平衡状态的稳定性428
13.4吸引子432
13.5神经动态模型433
13.6作为递归网络范例的吸引子操作435
13.7Hopfield模型435
13.8Cohen-Grossberg定理443
13.9盒中脑状态模型445
13.10奇异吸引子和混沌448
13.11混沌过程的动态重构452
13.12小结和讨论455
注释和参考文献457
习题458
[0第0]14章动态系统状态估计的贝叶斯滤波461
14.1引言461
14.2状态空间模型462
14.3卡尔曼滤波器464
14.4发散现象及平方根滤波469
14.5扩展的卡尔曼滤波器474
14.6贝叶斯滤波器477
14.7数值积分卡尔曼滤波器:基于卡尔曼滤波器480
14.8粒子滤波器484
14.9计算 [1机1] 实验：扩展的卡尔曼滤波器和粒子滤波器对比[0评0]价490
14.10[0大0]脑功能建模中的
卡尔曼滤波493
14.11小结和讨论494
注释和参考文献496
习题497
[0第0]15章动态驱动递归网络501
15.1引言501
15.2递归网络体系结构502
15.3通用逼近定理505
15.4可控性和可观测性507
15.5递归网络的计算能力510
15.6[0学0]习算[0法0]511
15.7通过时间的反向传播512
15.8实时递归[0学0]习515
15.9递归网络的消失梯度519
15.10利用非线性逐次状态估计的递归网络监督[0学0]习框架521
15.11计算 [1机1] 实验：Mackay-Glass吸引子的动态重构526
15.12自适应考虑527
15.13实例[0学0]习：应用于神经控制的模型参考529
15.14小结和讨论530
注释和参考文献533
习题534
参考文献538

包邮神经网络与机器学习(原书第3版)|197697 下载 mobi epub pdf txt 电子书格式