《神经网络与机器学习》由加拿大的SimonHaykin所著，此书结合近年来神经网络和机器学习的最新进展，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。

版权信息

内容简介

作者简介

编辑推荐

目录

版权信息

书 名: 神经网络与机器学习

作　者：(加拿大)SimonHaykin

出版社： 机械工业出版社

出版时间： 2009

ISBN: 9787111265283

开本： 16

定价: 69.00 元

内容简介

《神经网络与机器学习(英文版第3版)》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。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》）。《神经网络与机器学习(英文版第3版)》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最新分析。

作者简介

SimonHaykin，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IEEEMcNaughton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丰，著有多部标准教材。

编辑推荐

《神经网络与机器学习(英文版第3版)》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。

目录

Preface

Acknowledgements

AbbreviationsandSymbols

GLOSSARY

Introduction

1WhatisaNeuralNetwork?

2TheHumanBrain

3ModelsofaNeuron

4NeuralNetworksViewedAsDircctedGraphs

5Feedback

6NetworkArchitecturns

7　KnowledgeRepresentation

8LearningProcesses

9Learninglbks

10ConcludingRemarks

NotesandRcferences

Chapter1Rosenblatt'sPerceptrou

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

……