未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

神经网络与机器学习

作者: [加] 海金（Haykin S）著

出版社: 机械工业出版社

出版时间: 2009-03

版次: 3

ISBN: 9787111265283

定价: 69.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 906页

正文语种: 英语

丛书: 经典原版书库

分类: 计算机与互联网

1 张插图图片

112人买过

　　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SimonHaykin的《神经网络原理》(第4版更名为《神经网络与机器学习》）。在本书中，作者结合近年来神经网络和机器学习的新进展，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。
　　本书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。本书的可读性非常强，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，通过大量的试验报告、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新分析。
　　本书特色
　　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达定理。
　　信息论学习模型，包括连接、独立分量分析(ICA)，一致独立分量分析和信息瓶颈。
　　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Kalman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试验。 Simon Haykin，于1953年获得英国伯明翰大学博士学位，目前为加拿大McMaster大学电子与计算机工程系教授、通信研究实验室主任。他是国际电子电气工程界的著名学者，曾获得IEEE McNaughton金奖。他是加拿大皇家学会院士、IEEE会士，在神经网络、通信、自适应滤波器等领域成果颇 Preface
Acknowledgements
AbbreviationsandSymbols
GLOSSARY
Introduction
1WhatisaNeuralNetwork?
2TheHumanBrain
3ModelsofaNeuron
4NeuralNetworksViewedAsDircctedGraphs
5Feedback
6NetworkArchitecturns
7　KnowledgeRepresentation
8LearningProcesses
9Learninglbks
10ConcludingRemarks
NotesandRcferences

Chapter1RosenblattsPerceptrou
1.1Introduction
1.2Perceptron
1.31hePcrceptronConvergenceTheorem
1.4RelationBetweenthePerceptronandBayesClassifierforaGaussianEnvironment
1.5ComputerExperiment：PatternClassification
1.6TheBatchPerceptronAlgorithm
1.7SummaryandDiscussion
NotesandRefercnces
Problems

Chapter2ModelBuildingthroughRegression
2.1Introduction68
2.2LinearRegressionModel：PreliminaryConsiderafions
2.3MaximumaPosterioriEstimationoftheParameterVector
2.4RelationshipBetweenRegularizedLeast-SquaresEstimationandMAPEstimation
2.5ComputerExperiment：PatternClassification
2.6TheMinimum.Description-LengthPrinciple
2.7RniteSample—SizeConsiderations
2.8TheInstrumental，variablesMethod
29SummaryandDiscussion
NotesandReferences
Problems

Chapter3TheLeast—Mean-SquareAlgorithm
3.1Introduction
3.2FilteringStructureoftheLMSAlgorithm
3.3Unconstrainedoptimization：aReview
3.4ThCWienerFiIter
3.5neLeast.Mean.SquareAlgorithm
3.6MarkovModelPortrayingtheDeviationoftheLMSAlgorithmfromtheWienerFilter
3.7TheLangevinEquation：CharacterizationofBrownianMotion
3.8Kushner’SDirect.AveragingMethod
3.9StatisticalLMSLearningIheoryforSinailLearning—RateParameter
3.10ComputerExperimentI:LinearPTediction
3.11ComputerExperimentII：PatternClassification
3.12VirtucsandLimitationsoftheLMSAIgorithm
3.13Learning.RateAnnealingSchedules
3.14SummaryandDiscussion
NotesandRefefences
Problems

Chapter4MultilayerPereeptrons
4.1IntroductlOn
4.2SomePreliminaries
4.3BatchLearningandon.LineLearning
4.4TheBack.PropagationAlgorithm
45XORProblem
4.6HeuristicsforMakingtheBack—PropagationAlgorithmPerfoITnBetter
4.7ComputerExperiment：PatternClassification
4.8BackPropagationandDifferentiation
4.9TheHessianandlIsRole1nOn-LineLearning
4.10OptimalAnnealingandAdaptiveControloftheLearningRate
4.11Generalization
4.12ApproximationsofFunctions
4.13Cross.Vjlidation
4.14ComplexityRegularizationandNetworkPruning
4.15VirtuesandLimitationsofBack-PropagationLearning
4.16SupervisedLearningViewedasanOptimizationProblem
4.17COUVOlutionaINetworks
4.18NonlinearFiltering
4.19Small—SealeVerSusLarge+ScaleLearningProblems
4.20SummaryandDiscussion
NotesandRCfcreilces
Problems

Chapter5KernelMethodsandRadial-BasisFunctionNetworks
5.1Intreduction
5.2Cover’STheoremontheSeparabilityofPatterns
5.31heInterpolationProblem
54Radial—Basis—FunctionNetworks
5.5K.McansClustering
5.6RecursiveLeast-SquaresEstimationoftheWeightVector
57HybridLearningProcedureforRBFNetworks
58ComputerExperiment：PatternClassification
5.9InterpretationsoftheGaussianHiddenUnits
5.10KernelRegressionandItsRelationtoRBFNetworks
5.11SummaryandDiscussion
NotesandReferences
Problems
Chapter6SupportVectorMachines
Chapter7RegularizationTheory
Chapter8Prindpal-ComponentsAaalysis
Chapter9Self-OrganizingMaps
Chapter10Information-TheoreticLearningModels
Chapter11StochasticMethodsRootedinStatisticalMechanics
Chapter12DynamicProgramming
Chapter13Neurodynamics
Chapter14BayseianFilteringforStateEstimationofDynamicSystems
Chaptel15DynamlcaayDrivenRecarrentNetworks
Bibliography
Index
内容简介:
　　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SimonHaykin的《神经网络原理》(第4版更名为《神经网络与机器学习》）。在本书中，作者结合近年来神经网络和机器学习的新进展，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。
　　本书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。本书的可读性非常强，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，通过大量的试验报告、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新分析。
　　本书特色
　　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达定理。
　　信息论学习模型，包括连接、独立分量分析(ICA)，一致独立分量分析和信息瓶颈。
　　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Kalman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试验。
作者简介:
Simon Haykin，于1953年获得英国伯明翰大学博士学位，目前为加拿大McMaster大学电子与计算机工程系教授、通信研究实验室主任。他是国际电子电气工程界的著名学者，曾获得IEEE McNaughton金奖。他是加拿大皇家学会院士、IEEE会士，在神经网络、通信、自适应滤波器等领域成果颇
目录:
Preface
Acknowledgements
AbbreviationsandSymbols
GLOSSARY
Introduction
1WhatisaNeuralNetwork?
2TheHumanBrain
3ModelsofaNeuron
4NeuralNetworksViewedAsDircctedGraphs
5Feedback
6NetworkArchitecturns
7　KnowledgeRepresentation
8LearningProcesses
9Learninglbks
10ConcludingRemarks
NotesandRcferences

Chapter1RosenblattsPerceptrou
1.1Introduction
1.2Perceptron
1.31hePcrceptronConvergenceTheorem
1.4RelationBetweenthePerceptronandBayesClassifierforaGaussianEnvironment
1.5ComputerExperiment：PatternClassification
1.6TheBatchPerceptronAlgorithm
1.7SummaryandDiscussion
NotesandRefercnces
Problems

Chapter2ModelBuildingthroughRegression
2.1Introduction68
2.2LinearRegressionModel：PreliminaryConsiderafions
2.3MaximumaPosterioriEstimationoftheParameterVector
2.4RelationshipBetweenRegularizedLeast-SquaresEstimationandMAPEstimation
2.5ComputerExperiment：PatternClassification
2.6TheMinimum.Description-LengthPrinciple
2.7RniteSample—SizeConsiderations
2.8TheInstrumental，variablesMethod
29SummaryandDiscussion
NotesandReferences
Problems

Chapter3TheLeast—Mean-SquareAlgorithm
3.1Introduction
3.2FilteringStructureoftheLMSAlgorithm
3.3Unconstrainedoptimization：aReview
3.4ThCWienerFiIter
3.5neLeast.Mean.SquareAlgorithm
3.6MarkovModelPortrayingtheDeviationoftheLMSAlgorithmfromtheWienerFilter
3.7TheLangevinEquation：CharacterizationofBrownianMotion
3.8Kushner’SDirect.AveragingMethod
3.9StatisticalLMSLearningIheoryforSinailLearning—RateParameter
3.10ComputerExperimentI:LinearPTediction
3.11ComputerExperimentII：PatternClassification
3.12VirtucsandLimitationsoftheLMSAIgorithm
3.13Learning.RateAnnealingSchedules
3.14SummaryandDiscussion
NotesandRefefences
Problems

Chapter4MultilayerPereeptrons
4.1IntroductlOn
4.2SomePreliminaries
4.3BatchLearningandon.LineLearning
4.4TheBack.PropagationAlgorithm
45XORProblem
4.6HeuristicsforMakingtheBack—PropagationAlgorithmPerfoITnBetter
4.7ComputerExperiment：PatternClassification
4.8BackPropagationandDifferentiation
4.9TheHessianandlIsRole1nOn-LineLearning
4.10OptimalAnnealingandAdaptiveControloftheLearningRate
4.11Generalization
4.12ApproximationsofFunctions
4.13Cross.Vjlidation
4.14ComplexityRegularizationandNetworkPruning
4.15VirtuesandLimitationsofBack-PropagationLearning
4.16SupervisedLearningViewedasanOptimizationProblem
4.17COUVOlutionaINetworks
4.18NonlinearFiltering
4.19Small—SealeVerSusLarge+ScaleLearningProblems
4.20SummaryandDiscussion
NotesandRCfcreilces
Problems

Chapter5KernelMethodsandRadial-BasisFunctionNetworks
5.1Intreduction
5.2Cover’STheoremontheSeparabilityofPatterns
5.31heInterpolationProblem
54Radial—Basis—FunctionNetworks
5.5K.McansClustering
5.6RecursiveLeast-SquaresEstimationoftheWeightVector
57HybridLearningProcedureforRBFNetworks
58ComputerExperiment：PatternClassification
5.9InterpretationsoftheGaussianHiddenUnits
5.10KernelRegressionandItsRelationtoRBFNetworks
5.11SummaryandDiscussion
NotesandReferences
Problems
Chapter6SupportVectorMachines
Chapter7RegularizationTheory
Chapter8Prindpal-ComponentsAaalysis
Chapter9Self-OrganizingMaps
Chapter10Information-TheoreticLearningModels
Chapter11StochasticMethodsRootedinStatisticalMechanics
Chapter12DynamicProgramming
Chapter13Neurodynamics
Chapter14BayseianFilteringforStateEstimationofDynamicSystems
Chaptel15DynamlcaayDrivenRecarrentNetworks
Bibliography
Index

查看详情

其他版本 / 全部 (5)

神经网络与机器学习【标题与图片不一致时,请质询，正版有货可开发票】

全新

雅逸阁书店

海南省海口市

平均发货14小时成功完成率82.47%

￥31.80

券

100减20

立即购买加入购物车
神经网络与机器学习

全新

博士的私人藏书

北京市海淀区

平均发货19小时成功完成率82.07%

￥34.58

券

100减20

立即购买加入购物车
神经网络与机器学习英文版

全新

艾安书摊

北京市海淀区

平均发货16小时成功完成率91.67%

￥39.00

券

100减20

立即购买加入购物车
神经网络与机器学习【正版有货可开发票；库存情况请咨询，及标题与图片不一致时】

全新

心流图书

广东省广州市

平均发货8小时成功完成率86.59%

￥70.00

券

100减20

立即购买加入购物车

神经网络与机器学习

内容简介:

作者简介:

目录: