197697 | Подлинная бесплатная доставка Нейронная сеть и машинное обучение (оригинальная книга 3 -е издание) Книга/Книга/Книга/Молл.
Цена: 1 169руб. (¥55.3)
Артикул: 23382084487
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:北京华章图书旗舰店
Адрес:Пекин
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 30 18.99402руб.
¥1212 557руб.
¥339.97 159руб.
¥46.9991руб.
 |
Книги, продаваемые в этом магазине, являются настоящими книгами
|   Книга   имя: |   |
|   Цена книги: |   79 Юань |
|    |   |
| out   Общество: |   Machinery Industry Press |
|   Дата публикации: | 2011/3/1 0:00:00 |
| ISBN номер: | 9787111324133 |
|   открыто   Книга: | 16 |
|   страница &Nbsp; номер: | 572 |
|     раз: | 3-1 |
 |
| Саймон Хейкин -хорошо известный ученый в Международной индустрии электроники. .Он выиграл медаль IEEE McNaughton, которая хорошо достигла в областях нейронных сетей, коммуникаций, адаптивных фильтров и других областей и имеет множество стандартных учебников. |
 |
| Эта книга о всеобъемлющем, тщательном, читабельности и последнем обсуждении нейронных сетей.В книге есть 15 глав. Организация, самоорганизация, самоорганизация, самоорганизация, карта, модель обучения теории информации, динамическое планирование, невродинамика и оценка состояния состояния состояния динамической системы. Эта книга подходит для учебных материалов для выпускников и студентов, связанных с компьютерными специальностями в колледжах и университетах. |
 |
Издатель Переводчик Предисловие Сокращение и символ термин Глава 0 Руководство 1 0,1 Что такое нейронная сеть 1 0,2 Человеческий мозг 4 0,3 нейрон модель 7 0.4 Это рассматривается как нейронная сеть с направлением 0,5 обратная связь 11 0.6 СЕТИВНАЯ СТРУКТУРА 13 0,7 Представление знаний 14 0,8 Процесс обучения 20 0,9 Задача обучения 22 0,10 Закон о 27 Примечание и ссылки 27 Глава 1 Rosenblatt Peris 28 1.1 Введение 28 1.2 Восприятие 28 1.3 Теорема восприятия 29 1.4 Связь между восприятием и байесовским классификатором в гауссовой среде 33 1.5 Компьютерный эксперимент: классификация режима 36 1.6 Алгоритм восприятия партии 38 1.7 Резюме и обсуждение 39 Примечание и ссылки 39 Упражнение 40 Глава 2 Создание модели 28 по возврату 28 2.1 Введение 41 2.2 Модель линейной регрессии: предварительное рассмотрение 41 2.3 Максимальный пост -тест векторной оценки параметров 42 2.4 Взаимосвязь между минимальной ежедневной оценкой и оценкой карты регулярности 46 2.5 Компьютерный эксперимент: классификация режима 47 2.6 Минимальный принцип длины описания 48 2.7 Фиксированный размер выборки Рассмотрим 50 2.8 Метод сорта инструментов 53 2.9 Резюме и обсуждение 54 Примечание и ссылки 54 Упражнение 55 Глава 3 Минимальный квадратный алгоритм 56 3.1 Введение 56 3,2 LMS Алгоритм Структура фильтра 56 3.3 Оптимизированная оптимизация без ограничений: оглядываясь назад 58 3.4 Venne Filter 61 3,5 Алгоритм минимального капитала 63 3.6 Нарисуйте отклонение алгоритма LMS и фильтра Weina с Malcov Model 64 3.7 Уравнение Ванлона: характеристики коричневого движения 65 3,8Kushner Direct в среднем 66 3.9 Небольшой скорость обучения Статистическая теория обучения LMS 67 3.10 Компьютерный эксперимент ⅰ: линейный прогноз 68 3.11 Компьютерный эксперимент ⅱ: Классификация режима 69 3.12LMS Алгоритм Преимущества и ограничения 71 71 3.13 Аненарии обучения 72 3.14 Резюме и обсуждение 73 Примечание и ссылки 74 Упражнение 74 Глава 4 Многоуровневое восприятие 77 4.1 Введение 77 4.2 Некоторые знания о подготовке 78 4.3 Обучение партии и онлайн -обучение 79 4.4 Алгоритм обратной связи 81 4.5 разные или вопросы 89 4.6 ТИТРЕЗОВАНИЕ МЕДЕЛИЯ улучшения производительности алгоритма обратной связи 90 4.7 Компьютерный эксперимент: классификация режима 94 4.8 Обратная связь и микро -дививация 95 4.9HESIAN MATRIX и ее правила в онлайн -обучении 96 4.10 Оптимальный отжиг и адаптивный контроль уровня обучения 98 4.11 Обобщение 102 4.12 Функциональные подходы 104 4.13 Перекрестная проверка 107 4.14 Регулярная сложность и обрезка сети 109 4.15 Преимущества и ограничения обучения обратной связи 113 4.16 Supersory Learning как оптимизированный выпуск 117 4.17 Связанная сеть 126 4.18 Нелинейный фильтр 127 4.19 Маленькие и крупные проблемы обучения 131 4.20 Сводка и обсуждение 136 Примечание и ссылки 137 Упражнение 138 Глава 5 Ядерный метод и сеть радиальной базовой функции 144 5.1 Введение 144 5.2. Теорема режима может быть разделена на 144 5.3 Вставка задачи 148 5.4 Сеть радиальной базовой функции 150 Средний кластер 5,5k 152 5.6 Минимальный рекурсив правого вектора оценивается как 153 5.7RBF сетевой гибридный процесс обучения 156 5.8 Компьютерный эксперимент: классификация режима 157 5.9 Объяснение Гаусса скрытого блока 158 5.10 Исследования и его взаимосвязь с сетью RBF 160 5.11 Резюме и обсуждение 162 Примечание и ссылки 164 Упражнение 165 Глава 6 Служба векторной машины 168 6.1 Введение 168 6.2 Оптимальная супер плоская 168 режима линейной оценки 168 6.3 Оптимальная плоскость ультра -флат неразделимого режима 173 6.4. 6.5 Поддержите дизайн векторной машины 178 6.6xor Проблема 179 6.7 Компьютерный эксперимент: Классификация режима 181 6.8 Возврат: Роббин рассмотрение 184 6.9 Лучшее решение проблемы линейной регрессии 184 6.10 Указывает теорема и связанные с ними проблемы 187 6.11 Резюме и обсуждение 191 Примечание и ссылки 192 Упражнение 193 Глава 7 Теория регуляризации 197 7.1 Введение 197 7.2. 7.3 Tikhonov Теория регуляризации 198 7.4 Сеть регуляризации 205 7.5 Широко радиальная базовая функция сеть 206 7.6 Реконструкция Оценки регулярной траустикации 209 7.7 для регуляризованных дополнительных баллов 211 7.8 Оценка параметра регуляризации 212 7.9 Полу -Супервидение 215 7.10 ОТДЕЛАННАЯ ОРАТРАЗИЦИЯ: предварительное рассмотрение 216 7.11 может быть слегка протекать 217 7.12 Теория широкой регуляризации 220 7.13 Теория спектральной диаграммы 221 7.14 В целом представляет теорему 222 7.15 LAPLAS регуляризации Минимальный второй алгоритм умножения 223 7.16 Эксперимент по классификации режима с полу -супервизией 225 7.17 Резюме и обсуждение 227 Примечание и ссылка 228 Упражнение 229 Глава 8 Анализ основного измерения 232 8.1 Введение 232 8.2 Самоорганизационные принципы 232 8.3 Анализ функций самоорганизована 235 8.4 Анализ основных компонентов: Теория нарушений 235 8.5 Самый большой фильтр функций на основе HEBB 241 8.6 Анализ основного компонента на основе HEBB 247 8.7 Компьютерный эксперимент: кодирование изображения 251 8.8 Анализ ядерного основного компонента 252 8.9 Основные проблемы в натуральном кодировании изображения 256 8.10 Алгоритм ядерного HEBB 257 8.11 Резюме и обсуждение 260 Примечание и ссылка 262 Упражнение 264 Глава 9 Самоорганизованная карта 268 9.1 Введение 268 9.2 Две основные функции Model 269 9.3 Self -Organizing Mapping 270 9.4 Характер картирования функций 275 9.5 Компьютерный эксперимент ⅰ: Использование Dynamics SOM Solution 280 9.6 Контекстная карта 281 9.7 Слоистого направленного количественного определения 283 9.8 Ядерное самоопочечное картирование 285 9.9 Компьютерный эксперимент ⅱ: Использование решения ядерного SOM для Dynamics Dynamics 290 9.10 Взаимосвязь между ядерной SOM и относительной энтропией 291 9.11 Резюме и обсуждение 293 Примечание и ссылка 294 Упражнение 295 Глава 10 Теория информации Модель обучения 299 10.1 Введение 299 10.2 Энтропия 300 10.3 Максимальный принцип энтропии 302 10.4 взаимная информация 304 10.5 Относительная энтропия 306 10,6 Слова 308 10.7 Взаимная информация в качестве оптимизированной целевой функции 310 10.8 Максимальная взаимная информация Принципы 311 10.9 Максимальная взаимная информация и избыточное сокращение 314 10.10 Особенности, связанные с пространством 316 10.11 Пространственные не -коферентные функции 318 10.12 Независимый компонентный анализ 320 10.13 РЕКОСКОЕ Кодирование естественных изображений и сравнение с кодированием ICA 324 10.14 Природное градиент изучение независимого компонентного анализа 326 10.15 Максимум, как Graive от независимого анализа компонентов 332 10.16 Максимальное энтропийное обучение разделения слепых источников 334 10.17 Максимизация отрицательной энтропии независимого анализа компонентов 337 10.18 Связанный анализ независимых компонентов 342 10.19 Теория и информация Узкое место 347 10.20 Оптимальное выражение потока данных 350 10.21 Компьютерный эксперимент: Классификация режима 354 10.22 Резюме и обсуждение 354 Примечание и ссылка 356 Упражнение 361 Глава 11 Случайное случайное случайное 366 11.1 Введение 366 11.2 Статистическая механика 367 11.3 Марков Цепь 368 11.4Metropolis Algorithm 374 11.5 Моделирование Андукция 375 11,6 Гиббс выборки 377 11.7boltzmann 378 11.8Logistic Trust Network 382 11.9 Deep Trust Network 383 11.10 Определите АНТУКЦИИ 385 11.11 и EM -алгоритм аналог 389 11.12 Резюме и обсуждение 390 Примечание и ссылка 390 Упражнение 392 Глава 12 Динамический план 396 12.1 Введение 396 12.2 Малковой процесс принятия решений 397 12.3 Bellman Best Standard 399 12.4 итерация стратегии 401 12.5 Итерация значения 402 12.6 Подход Динамический планирование: прямое закон 406 12.7 12.8q Learning 410 12.9 Подход к динамическому планированию: Закон о не -первом образе 412 12.10 Минимальная двухметрическая стратегия Оценка 414 12.11 Стратегия приближения 417 12.12 Резюме и обсуждение 419 Примечание и ссылки 421 Упражнение 422 Глава 13 Dynamics 425 425 13.1 Введение 425 13.2 Динамическая система 426 13.3 Стабильность состояния баланса 428 13.4 Привлечен ребенка 432 13,5 Неврологическая динамическая модель 433 13.6 Сборка в качестве привлеченного подзадачи рекурсивной сети Пример 435 13.7 Модель 435 13.8 Теорема о копюн-Фаундберге 443 13.9 Box Mid -Brain Status Model 445 13.10 Странное влечение Zihe Chaos 448 13.11 Динамическая реконструкция процесса хаоса 452 13.12 Резюме и обсуждение 455 Примечание и ссылки 457 Упражнение 458 Глава 14 Динамическое состояние системы расчетное байесовское фильтр 461 14.1 Введение 461 14.2 Модель пространства статуса 462 14.3 Карман Фильтр 464 14.4 Дивергентное явление и квадратный корневой фильтр 469 14.5 Расширенный фильтр Karman 474 14.6 Байесовский фильтр 477 14.7 Численные точки Calman Filter: на основе фильтра Carman 480 14.8 ФИЛЬТР ПАТРЕСС 484 14.9 Компьютерные эксперименты: Расширенная оценка фильтра Karman и фильтра частиц 490 14.10 В моделировании функции мозга Карман фильтр 493 14.11 Резюме и обсуждение 494 Примечание и ссылка 496 Упражнение 497 Глава 15 Динамические диски рекурсивные сети 501 501 15.1 Введение 501 15.2 Рекурсивная сеть архитектура 502 15,3 ГМ Теорема 505 15.4 Управляемость и наблюдение 507 15.5 Рекурсивные сетевые вычисления Power 510 15.6 Алгоритм обучения 511 15.7 Обратная связь во время 512 15.8 Рекурсивное обучение в реальном времени 515 15.9 Градиент исчезновения рекурсивной сети 519 15.10 Рекурсивное сетевое обучение в области обучения с не -линейно -государством -Оценка времени 521 15.11 Компьютерный эксперимент: Mackay-Glass привлекла динамическую реконструкцию 526 15.12 Адаптивное рассмотрение 527 15.13 Пример обучения: модели, используемые в контроле нерва 15.14 Резюме и обсуждение 530 Примечание и ссылки 533 Упражнение 534 Ссылки 538 |
 |
| Саймон Хейкин, автор нейронной сети и машинного обучения (оригинальная книга 3), долгое время занимался исследованиями нейронных сети.Эта книга является третьим изданием классического учебника «Нейронные сети: всеобъемлющий фундамент».Как показано в названии этой книги, эта версия имеет всесторонний анализ двух близких ветвей нейронной сети и машинного обучения на основе предыдущей версии, она была широко пересмотрена, обеспечивая нейронную сеть и машинное обучение. с постоянным ростом.Эта книга всесторонне и систематически вводит основные модели и основные методы нейронных сетей, в исследовании основных моделей и основных теорий обучения нейронных сетей, а также всесторонние и всеобъемлющие тенденции развития и основные направления исследований нейронных сетей. |