神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)是關(guān)于神經(jīng)網(wǎng)絡(luò)的全面的、徹底的、可讀性很強(qiáng)的、最新的論述。全書(shū)共15章，主要內(nèi)容包括Rosenblatt感知器、通過(guò)回歸建立模型、最小均方算法、多層感知器、核方法和徑向基函數(shù)網(wǎng)絡(luò)、支持向量機(jī)、正則化理論、主分量分析、自組織映射、信息論學(xué)習(xí)模型、動(dòng)態(tài)規(guī)劃、神經(jīng)動(dòng)力學(xué)、動(dòng)態(tài)系統(tǒng)狀態(tài)估計(jì)的貝葉斯濾波等。

《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》適合作為高等院校計(jì)算機(jī)相關(guān)專(zhuān)業(yè)研究生及本科生的教材，也可供相關(guān)領(lǐng)域的工程技術(shù)人員參考。

編輯推薦

《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》：神經(jīng)網(wǎng)絡(luò)是計(jì)算智能和機(jī)器學(xué)習(xí)的重要分支，在諸多領(lǐng)域都取得了很大的成功。在眾多神經(jīng)網(wǎng)絡(luò)著作中，影響最為廣泛的是Simon Haykin的《神經(jīng)網(wǎng)絡(luò)原理》（第3版更名為《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)》）。在《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》中，作者結(jié)合近年來(lái)神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的最新進(jìn)展，從理論和實(shí)際應(yīng)用出發(fā)，全面、系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)的基本模型、方法和技術(shù)，并將神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)有機(jī)地結(jié)合在一起。

《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》不但注重對(duì)數(shù)學(xué)分析方法和理論的探討，而且也非常關(guān)注神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、信號(hào)處理以及控制系統(tǒng)等實(shí)際工程問(wèn)題中的應(yīng)用?！渡窠?jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》的可讀性非常強(qiáng)，作者舉重若輕地對(duì)神經(jīng)網(wǎng)絡(luò)的基本模型和主要學(xué)習(xí)理論進(jìn)行了深入探討和分析，通過(guò)大量的實(shí)驗(yàn)報(bào)告、例題和習(xí)題來(lái)幫助讀者更好地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。

本版在前一版的基礎(chǔ)上進(jìn)行了廣泛修訂，提供了神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)這兩個(gè)越來(lái)越重要的學(xué)科的最新分析。

《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版)》特色

·基于隨機(jī)梯度下降的在線(xiàn)學(xué)習(xí)算法；小規(guī)模和大規(guī)模學(xué)習(xí)問(wèn)題。

·核方法，包括支持向量機(jī)和表示定理。

·信息論學(xué)習(xí)模型，包括獨(dú)立分量分析（1CA）、相關(guān)獨(dú)立分量分析和信息瓶頸等。

·隨機(jī)動(dòng)態(tài)規(guī)劃，包括逼近和神經(jīng)動(dòng)態(tài)規(guī)劃。

·逐次狀態(tài)估計(jì)算法，包括卡爾曼和粒子濾波器。

·利用逐次狀態(tài)估計(jì)算法訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)。

·富有洞察力的面向計(jì)算機(jī)的實(shí)驗(yàn)。

作者簡(jiǎn)介

作者：（加拿大）海金（Simon Haykin） 譯者：申富饒 徐燁 鄭俊 晁靜

Simon Haykin，是國(guó)際電子電氣工程界的著名學(xué)者，加拿大皇家學(xué)會(huì)院士，IEEE會(huì)士，于1953年獲得英國(guó)伯明翰大學(xué)博士學(xué)位，現(xiàn)任加拿大麥克馬斯特大學(xué)教授，在該校創(chuàng)辦了通信研究實(shí)驗(yàn)室并長(zhǎng)期擔(dān)任主任。他曾經(jīng)獲得IEEE McNaughton獎(jiǎng)?wù)?，在神?jīng)網(wǎng)絡(luò)、通信、自適應(yīng)濾波器等領(lǐng)域成果頗豐，著有多種標(biāo)準(zhǔn)教材。

神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書(shū)第3版) 目錄：

出版者的話(huà)

譯者序

前言

縮寫(xiě)和符號(hào)

術(shù)語(yǔ)

第0章 導(dǎo)言

0.1 什么是神經(jīng)網(wǎng)絡(luò)

0.2 人類(lèi)大腦

0.3 神經(jīng)元模型

0.4 被看作有向圖的神經(jīng)網(wǎng)絡(luò)

0.5 反饋

0.6 網(wǎng)絡(luò)結(jié)構(gòu)

0.7 知識(shí)表示

0.8 學(xué)習(xí)過(guò)程

0.9 學(xué)習(xí)任務(wù)

0.10 結(jié)束語(yǔ)

注釋和參考文獻(xiàn)

第1章 Rosenblatt感知器

1.1 引言

1.2 感知器

1.3 感知器收斂定理

1.4 高斯環(huán)境下感知器與貝葉斯分類(lèi)器的關(guān)系

1.5 計(jì)算機(jī)實(shí)驗(yàn)：模式分類(lèi)

1.6 批量感知器算法

1.7 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第2章 通過(guò)回歸建立模型

2.1 引言

2.2 線(xiàn)性回歸模型：初步考慮

2.3 參數(shù)向量的最大后驗(yàn)估計(jì)

2.4 正則最小二乘估計(jì)和MAP估計(jì)之間的關(guān)系

2.5 計(jì)算機(jī)實(shí)驗(yàn)：模式分類(lèi)

2.6 最小描述長(zhǎng)度原則

2.7 固定樣本大小考慮

2.8 工具變量方法

2.9 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第3章 最小均方算法

3.1 引言

3.2 LMS算法的濾波結(jié)構(gòu)

3.3 無(wú)約束最優(yōu)化：回顧

3.4 維納濾波器

3.5 最小均方算法

3.6 用馬爾可夫模型來(lái)描畫(huà)LMS算法和維納濾波器的偏差

3.7 朗之萬(wàn)方程：布朗運(yùn)動(dòng)的特點(diǎn)

3.8 Kushner直接平均法

3.9 小學(xué)習(xí)率參數(shù)下統(tǒng)計(jì)LMS學(xué)習(xí)理論

3.10 計(jì)算機(jī)實(shí)驗(yàn)ⅰ：線(xiàn)性預(yù)測(cè)

3.11 計(jì)算機(jī)實(shí)驗(yàn)ⅱ：模式分類(lèi)

3.12 LMS算法的優(yōu)點(diǎn)和局限

3.13 學(xué)習(xí)率退火方案

3.14 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第4章 多層感知器

4.1 引言

4.2 一些預(yù)備知識(shí)

4.3 批量學(xué)習(xí)和在線(xiàn)學(xué)習(xí)

4.4 反向傳播算法

4.5 異或問(wèn)題

4.6 改善反向傳播算法性能的試探法

4.7 計(jì)算機(jī)實(shí)驗(yàn)：模式分類(lèi)

4.8 反向傳播和微分

4.9 Hessian矩陣及其在在線(xiàn)學(xué)習(xí)中的規(guī)則

4.10 學(xué)習(xí)率的最優(yōu)退火和自適應(yīng)控制

4.11 泛化

4.12 函數(shù)逼近

4.13 交叉驗(yàn)證

4.14 復(fù)雜度正則化和網(wǎng)絡(luò)修剪

4.15 反向傳播學(xué)習(xí)的優(yōu)點(diǎn)和局限

4.16 作為最優(yōu)化問(wèn)題看待的監(jiān)督學(xué)習(xí)

4.17 卷積網(wǎng)絡(luò)

4.18 非線(xiàn)性濾波

4.19 小規(guī)模和大規(guī)模學(xué)習(xí)問(wèn)題

4.20 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第5章 核方法和徑向基函數(shù)網(wǎng)絡(luò)

5.1 引言

5.2 模式可分性的Cover定理

5.3 插值問(wèn)題

5.4 徑向基函數(shù)網(wǎng)絡(luò)

5.5 K-均值聚類(lèi)

5.6 權(quán)向量的遞歸最小二乘估計(jì)

5.7 RBF網(wǎng)絡(luò)的混合學(xué)習(xí)過(guò)程

5.8 計(jì)算機(jī)實(shí)驗(yàn)：模式分類(lèi)

5.9 高斯隱藏單元的解釋

5.10 核回歸及其與RBF網(wǎng)絡(luò)的關(guān)系

5.11 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第6章支持向量機(jī)

6.1 引言

6.2 線(xiàn)性可分模式的最優(yōu)超平面

6.3 不可分模式的最優(yōu)超平面

6.4 使用核方法的支持向量機(jī)

6.5 支持向量機(jī)的設(shè)計(jì)

6.6 XOR問(wèn)題

6.7 計(jì)算機(jī)實(shí)驗(yàn):模式分類(lèi)

6.8 回歸：魯棒性考慮

6.9 線(xiàn)性回歸問(wèn)題的最優(yōu)化解

6.10表示定理和相關(guān)問(wèn)題

6.11 小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第7章 正則化理論

7.1 引言

7.2 良態(tài)問(wèn)題的Hadamard條件

7.3 Tikhonov正則化理論

7.4 正則化網(wǎng)絡(luò)

7.5 廣義徑向基函數(shù)網(wǎng)絡(luò)

7.6 再論正則化最小二乘估計(jì)

7.7 對(duì)正則化的附加要點(diǎn)

7.8 正則化參數(shù)估計(jì)

7.9 半監(jiān)督學(xué)習(xí)

7.1 0流形正則化：初步的考慮

7.1 1可微流形

7.1 2廣義正則化理論

7.1 3光譜圖理論

7.1 4廣義表示定理

7.1 5拉普拉斯正則化最小二乘算法

7.1 6用半監(jiān)督學(xué)習(xí)對(duì)模式分類(lèi)的實(shí)驗(yàn)

7.1 7小結(jié)和討論

注釋和參考文獻(xiàn)

習(xí)題

第8章 主分量分析

8.1 引言232

……

第9章 自組織映射

第10章 信息論學(xué)習(xí)模型

第11章 植根于統(tǒng)計(jì)力學(xué)的隨機(jī)方法

第12章 動(dòng)態(tài)規(guī)劃

第13章 神經(jīng)動(dòng)力學(xué)

第14章 動(dòng)態(tài)系統(tǒng)狀態(tài)估計(jì)的貝葉斯濾波

第15章 動(dòng)態(tài)驅(qū)動(dòng)遞歸網(wǎng)絡(luò)

參考文獻(xiàn)