《自己动手写神经网络》讲解通俗易懂，使用简单的语言描述人工神经网络的原理，并力求以具体实现与应用为导向，除了理论介绍外，每一章节的应用和实践都有具体的实例实现，让读者达到学以致用。《自己动手写神经网络》分为11章，主要内容为：简单的人工神经网络模型和理论应用；介绍了一个基于Java的人工神经网络框架Neuroph；介绍了基于Neuroph开发一个简单的人工神经网络系统感知机；介绍了ADALINE网络以及使用Neuroph实现ADALINE神经网络；介绍了BP神经网络的基本原理和具体实现；介绍了BP神经网络的具体实践应用；介绍了Hopfield网络的原理、实践和应用；介绍了双向联想网络BAM的原理、实践和应用；介绍了竞争学习网络，特别是SOM网络以及相关算法与实现；介绍了PCA方法以及与PCA方法等价的PCA神经网络。
《自己动手写神经网络》适合以下类型的读者：对神经网络感兴趣，期望可以初步了解神经网络原理的读者；有一定编程经验，期望学习和掌握神经网络的程序员；期望对神经网络进行实际应用的工程人员；任何一名神经网络爱好者。
AlphaGo战胜李世石，标志着新一轮人工智能的浪潮已经来袭。
而你是否已经做好迎接新的人工智能技术的准备？
《自己动手写神经网络》将带你一探作为AlphaGo基石的人工神经网络。
《自己动手写神经网络》不局限于纸上谈兵，我们用代码诠释一切。
《自己动手写神经网络》可能改变你对人工智能的态度。
深入讲解人工神经网络的工作原理，并且能够动手实践人工神经网络
书力求通俗易懂，使用尽可能简单的语言描述人工神经网络的原理与理论。
《自己动手写神经网络》力求以具体实现与应用为导向，除了理论介绍外，每一章节的应用和实践都有具体的实现详解。
全书使用Java作为主要语言，与Matlab等语言不同的是：Java语言是目前企业级软件开发zui为流行的语言，因此，使用Java实现的神经网络具备更强的系统集成能力与实践能力。由于Java语言本身通俗易懂，在基本语法上与C/C 类似，因此，本书同样适合没有Java基础的程序员。
葛一鸣，浙江工业大学硕士，国家认证系统分析师，Oracle OCP。长期从事Java软件开发工作，对Java技术、人工智能、神经网络、数据挖掘等技术有浓厚兴趣。
现著有《自己动手写神经网络》《Java程序性能优化》《实战Java虚拟机》《实战Java高并发程序设计》。
目 录
第1章 人工神经网络概述1
1.1 人工智能与神经网络简史1
1.1.1 人工智能的诞生：1943～1956年2
1.1.2 黄金发展期：1956～1974年3
1.1.3 第一次低谷期：1974～1980年4
1.1.4 繁荣期：1980～1987年5
1.1.5 第二次低谷期：1987～1993年5
1.1.6 再次崛起：1993年至今6
1.2 生物学研究对神经网络的影响6
1.3 大数据对人工智能的影响8
1.4 计算机硬件发展对人工智能的影响9
1.5 计算机软件发展对人工智能的影响9
1.6 人工智能的广泛应用10
第2章 人工神经元模型与感知机12
2.1 人工神经元组成要素12
2.1.1 人工神经元的基本结构12
2.1.2 传输函数类型13
2.2 感知机15
2.2.1 使用感知机识别水果15
2.2.2 让感知机记忆逻辑与17
2.2.3 感知机的学习算法18
2.3 总结20
第3章 神经网络框架Neuroph介绍21
3.1 Neuroph是什么21
3.2 Neuroph系统的构成22
3.3 Neuroph Studio的功能展示22
3.3.1 使用Neuroph Studio构造感知机处理逻辑与23
3.3.2 使用Neuroph Studio进行动物分类实验28
3.4 Neuroph Library架构分析34
3.4.1 Neuroph Library核心架构35
3.4.2 Neuron神经元35
3.4.3 Layer层36
3.4.4 NeuralNetwork神经网络37
3.4.5 LearningRule学习算法37
3.4.6 DataSet和DataSetRow38
3.5 Neuroph开发环境搭建38
3.5.1 基础平台Java介绍以及安装39
3.5.2 包管理工具Maven安装39
3.5.3 开发工具Eclipse安装40
3.6 总结41
第4章 使用Java实现感知机及其应用42
4.1 第一个Neuroph程序使用感知机记忆逻辑与42
4.1.1 创建感知机网络42
4.1.2 理解输入神经元InputNeuron45
4.1.3 理解贝叶斯神经元BiasNeuron45
4.1.4 step传输函数是如何实现的46
4.2 让感知机理解坐标系统47
4.2.1 感知机网络的设计47
4.2.2 感知机网络的实现47
4.3 感知机学习算法与Java实现49
4.3.1 感知机学习规则的实现50
4.3.2 一个自学习的感知机实现SimplePerceptron51
4.3.3 小试牛刀SimplePerceptron学习逻辑与52
4.3.4 训练何时停止53
4.4 再看坐标点位置识别55
4.5 感知机的极限异或问题57
4.6 总结58
第5章 ADALINE网络及其应用59
5.1 ADALINE网络与LMS算法59
5.2 ADALINE网络的Java实现60
5.3 使用ADALINE网络识别数字62
5.3.1 印刷体数字识别问题概述62
5.3.2 代码实现63
5.3.3 加入噪点后再尝试66
5.4 总结67
第6章 多层感知机和BP学习算法68
6.1 多层感知机的结构与简单实现68
6.1.1 多层感知机结构的提出68
6.1.2 定义多层感知机处理异或问题69
6.1.3 多层感知机的简单实现71
6.2 多层感知机学习算法BP学习算法74
6.2.1 BP学习算法理论介绍74
6.2.2 BP学习算法与BP神经网络的实现77
6.3 BP神经网络细节优化84
6.3.1 随机化权值的方式84
6.3.2 Sigmoid函数导数的探讨86
6.4 带着算法重回异或问题87
6.5 总结89
第7章 BP神经网络的案例90
7.1 奇偶性判别问题90
7.1.1 问题描述90
7.1.2 代码实现90
7.2 函数逼近94
7.2.1 问题描述94
7.2.2 代码实现94
7.3 动物分类99
7.3.1 问题描述99
7.3.2 问题分析100
7.3.3 代码实现102
7.4 简单的语音识别104
7.4.1 问题描述104
7.4.2 代码实现104
7.5 MNIST手写体识别106
7.5.1 问题描述106
7.5.2 问题分析108
7.5.3 代码实现108
7.6 总结112
第8章 Hopfield神经网络113
8.1 Hopfield神经网络的结构和原理113
8.1.1 Hopfield网络的结构113
8.1.2 网络吸引子114
8.1.3 网络权值的设计115
8.2 网络的存储容量117
8.3 Hopfield神经网络的Java实现118
8.3.1 Hopfield网络构造函数118
8.3.2 Hopfield网络的神经及其特点119
8.3.3 Hopfield网络学习算法120
8.4 Hopfield网络还原带有噪点的字符121
8.5 Hopfield网络的自联想案例123
8.6 总结126
第9章 BAM双向联想记忆网络127
9.1 BAM网络的结构与原理127
9.2 BAM网络的学习算法128
9.3 使用Java实现BAM网络129
9.3.1 BAM网络的静态结构129
9.3.2 BAM网络学习算法130
9.3.3 BAM网络的运行131
9.4 BAM网络的应用133
9.4.1 场景描述人名与电话133
9.4.2 数据编码设计134
9.4.3 具体实现136
9.5 总结140
第10章 竞争学习网络141
10.1 竞争学习的基本原理141
10.1.1 向量的相似性142
10.1.2 竞争学习规则143
10.2 自组织映射网络SOM的原理144
10.2.1 SOM网络的生物学意义144
10.2.2 SOM网络的结构144
10.2.3 SOM网络的运行原理145
10.2.4 有关初始化权重的问题146
10.3 SOM网络的Java实现147
10.3.1 SOM网络拓扑结构的实现147
10.3.2 SOM网络的初始权值设置150
10.3.3 Kohonen算法的实现153
10.4 SOM网络的应用157
10.4.1 使用SOM网络进行动物聚类158
10.4.2 使用SOM网络进行城市聚类161
10.5 总结164
第11章 PCA神经网络165
11.1 PCA方法概述165
11.1.1 PCA方法数学背景166
11.1.2 PCA计算示例167
11.2 PCA神经网络学习算法170
11.2.1 Oja算法170
11.2.2 Sanger算法171
11.3 基于Neuroph实现PCA网络172
11.3.1 Oja算法的实现172
11.3.2 Sanger算法的实现177
11.4 使用PCA网络预处理MNIST手写体数据集178
11.5 总结181
新书资讯