本书由10章构成。1先，系统、全面地阐述神经网络相关概念、知识点及特征。然后，重点介绍神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。后，介绍一些经典案例。本书适合神经网络初学者阅读，也可以作为智能化软件开发人员的工具书。

译者序
作者和审校者简介
前言
D1章 神经网络入门 1
1.1 探索神经网络 1
1.2 人工神经网络 2
1.2.1 神经网络是如何组织的 3
1.2.2 基本元素—人工神经元 3
1.2.3 赋予神经元生命—激活函数 4
1.2.4 可变参数—权重 5
1.2.5 额外参数—偏置 6
1.2.6 由部分到整体—层 6
1.2.7 神经网络体系结构 7
1.2.8 单层网络 7
1.2.9 多层网络 8
1.2.10 前馈网络 8
1.2.11 反馈网络 8
1.3 从无知到认知—学习过程 9
1.4 开始编程—神经网络实践 10
1.5 神经元类 12
1.6 NeuralLayer类 14
1.7 ActivationFunction接口 15
1.8 神经网络类 15
1.9 运行程序 17
1.10 本章小结 19
D2章
神经网络学习 20
2.1 神经网络的学习能力 21
2.2 学习模式 22
2.2.1 监督学习 22
2.2.2 无监督学习 22
2.3 学习过程 23
2.3.1 寻找损失函数Z优下降方向 24
2.3.2 在学习过程中更新权重 25
2.3.3 计算损失函数 25
2.3.4 一般误差和总体误差 27
2.3.5 神经网络的迭代学习什么时候停止比较好 27
2.4 学习算法示例 28
2.4.1 δ规则 29
2.4.2 学习率 30
2.4.3 实现δ规则 30
2.4.4 δ规则学习的核心—train和calcNewWeight方法 31
2.4.5 另一种学习算法—Hebbian学习 34
2.4.6 学习机 35
2.5 在实践中理解学习过程 37
2.6 测试 41
2.7 本章小结 43
D3章 感知机和监督学习 44
3.1 监督学习—训练神经网络 45
3.1.1 分类—寻找合适的类别 45
3.1.2 回归—将实际输入映射到输出 46
3.2 一个基本的神经结构—感知机 48
3.2.1 应用和限制 49
3.2.2 线性可分 49
3.2.3 “异或”问题 50
3.3 多层感知机 52
3.3.1 MLP属性 52
3.3.2 MLP权重 53
3.3.3 递归MLP 54
3.3.4 编码实现MLP 54
3.4 MLP学习 55
3.4.1 反向传播算法 56
3.4.2 动量项 58
3.4.3 编码实现反向传播 58
3.4.4 Levenberg-Marquardt算法 62
3.4.5 编码实现基于矩阵代数的Levenberg-Marquardt算法 64
3.4.6 J限学习机 66
3.5 实例1—基于δ规则和反向传播的“异或”问题 69
3.6 实例2—预测入学状态 72
3.7 本章小结 75
D4章 自组织映射 76
4.1 无监督神经网络 76
4.2 无监督学习算法 77
4.2.1 竞争学习 78
4.2.2 竞争层 80
4.3 Kohonen自组织映射 82
4.3.1 将神经网络代码扩展至Kohonen 83
4.3.2 零维SOM 84
4.3.3 一维SOM 84
4.3.4 二维SOM 85
4.3.5 2D竞争层 87
4.3.6 SOM学习算法 89
4.3.7 邻近神经元的影响—邻域函数 90
4.3.8 学习率 91
4.3.9 竞争学习的一个新类 92
4.3.10 SOM可视化 95
4.3.11 绘制训练数据集和神经元权重的2D图 97
4.3.12 测试Kohonen学习 99