《神经网络算法与实现-基于Java语言》的读书笔记

文章提纲

• 全书总评
• 读书笔记
  • C1.初识神经网络
  • C2.神经网络是如何学习的
  • C3.有监督学习（运用感知机）
  • C4.无监督学习（自组织映射）
  • Rreferences（参考文献）

全书总评

• 书本印刷质量：5星。纸张很白，印刷清楚，文字排版合适，基本没有排版过程中引入的错误，阅读不累眼睛。
• 著作编写质量：3星。入门书，看完后可能会对神经网络有个基本概念，但是也可能就只有个基本概念。基本概念描述还是清楚的，还给出了比较好的参考资料。几个例子讲的很浅，好处就是提供了代码，如果有开发方向的需要可以参考。深入学习神经网络还是参考《神经网络和机器学习》这本书吧。
• 著作翻译质量：4星。用的都是常用词汇。对于不了解神经网络的读者，通过本书了解一些基本概念，为将来学习其他书籍打下基础；对于了解神经网络的读者不会造成概念混淆。
• 代码质量：3星。基本没错误，但是思路跟书上不完全匹配。比如说：感知机一般都是单层的，就是一个神经元，一个偏置量，两个输入的值，一个输出的值，两个权值。但是作者在测试代码中放入两个输入权值，一个输出权值，不明白，后面都是这样的思路，于是只好弃了。

读书笔记

C1.初识神经网络

基本概念：人工神经元，激活函数，权值，偏置，层。

神经网络结构：

• 神经元连接
  • 单层神经网络：单层感知机，自适应机，自组织映射、Elman网络和Hopfield网络。
  • 多层神经网络：多层感知机，径向基函数。
• 信号流
  • 前馈神经网络：多层感知机，径向基函数。
  • 反馈神经网络：单层的（Elman网络和Hopfield网络）和多层的（递归多层感知机和Echo网络）。

C2.神经网络是如何学习的

学习范式：

• 有监督学习：
  • 描述：已知的数据集与学习得到的结果之间的误差最小，最小的评价基于某个代价函数。
  • 应用：图像分类，语音识别，函数逼近和趋势预测。
• 无监督学习：
  • 描述：从已知的数据集提取知识，即将数据集分类，类间距离大，类内距离小，评价基于某个代价函数。
  • 应用：聚类分析，数据压缩，统计建模和语言建模。

学习算法：

• 两个阶段：训练和测试。
• 重要细节：参数。
• 评价方式：误差度量和代价函数。
• 例子：Perceptron 感知机和Delta规则。

C3.有监督学习（运用感知机）

• 单层感知机的作用和局限性：解决线性可分问题，不能解决非线性问题。
• 多层感知机（MLP）：
  • 层：
    • 输入层：
    • 隐藏层：激活函数一般选择双曲正切或者sigmoid，因为它们是可导的。
    • 输出层：
  • 学习过程：
    • 反向传播：敏感性反向传播。收敛速度比较慢。
    • Levenberg-Marquardt：

C4.无监督学习（自组织映射）

• 竞争学习或赢家通吃：产生最大值的神经元更新它的权值。
• Kohonen自组织映射（Self-Organization Map）：
  • 一维SOM：产生最大值的神经元更新它的权值，与之相邻的神经元以相对较低的学习率更新权值。
  • 二维SOM：领域函数判断相邻的神经元，使结构更“组织化”。

Rreferences（参考文献）

Bishop C M. Neural networks for pattern recognition[M]. Oxford university press, 1995. Duda R O, Hart P E, Stork D G. Unsupervised learning and clustering[J]. Pattern classification, 2001: 517-601. Freedman D A. Statistical models: theory and practice[M]. cambridge university press, 2009. Haykin S S, Haykin S S, Haykin S S, et al. Neural networks and learning machines[M]. Upper Saddle River: Pearson, 2009.