（已有7条评价）
基本信息
- 原书名：Neural Networks and Learning Machines (3rd Edition)
- 原出版社： Prentice Hall
【插图】
编辑推荐
《神经网络与机器学习(原书第3版)》作者Simon Haykin长期从事神经网络的研究，其关于神经网络的系列教材是国际上*有影响力的教材之一。本书是其经典教材《Neural Networks: A Comprehensive Foundation》的第3版。正如本书的题目所示，这一版对神经网络和机器学习这两个密切相关的分支进行了全面分析，在前一版的基础上作了广泛修订，提供了神经网络和机器学习这两个重要性持续增长的学科的*新分析。本书全面、系统地介绍了神经网络的基本模型、基本方法，对神经网络的基本模型和主要学习理论作了深入研究，对神经网络的*新发展趋势和主要研究方向进行了全面而综合的介绍。
内容简介
作译者
Simon Haykin是国际电子电气工程界的著名学者，加拿大皇家学会院士，IEEE会士，于1953年获得英国伯明翰大学博士学位，现任加拿大麦克马斯特大学教授，在该校创办了通信研究实验室并长期担任主任。他曾经获得IEEE McNaughton奖章，在神经网络、通信、自适应滤波器等领域成果颇丰，著有多种标准教材。
目录
出版者的话
译者序
前言
缩写和符号
术语
第0章导言1
0.1什么是神经网络1
0.2人类大脑4
0.3神经元模型7
0.4被看作有向图的神经网络10
0.5反馈11
0.6网络结构13
0.7知识表示14
0.8学习过程20
0.9学习任务22
0.10结束语27
注释和参考文献27
第1章Rosenblatt感知器28
1.1引言28
1.2感知器28
译者序
前言
缩写和符号
术语
第0章导言1
0.1什么是神经网络1
0.2人类大脑4
0.3神经元模型7
0.4被看作有向图的神经网络10
0.5反馈11
0.6网络结构13
0.7知识表示14
0.8学习过程20
0.9学习任务22
0.10结束语27
注释和参考文献27
第1章Rosenblatt感知器28
1.1引言28
1.2感知器28
译者序
从20世纪40年代M-P神经元模型的提出开始，神经网络的发展过程可谓是一波三折。1965年M.Minsky和S.Papert的《感知机》使得神经网络的研究停滞了超过10年，直到20世纪80年代初Hopfield网络和误差反向传播算法等的提出，神经网络的研究才步入恢复期。时至今日，神经网络系统研究的重要意义已经得到广泛承认，在模式识别、人工智能、通信、控制、金融、机器人、生物信息学等许多领域都有广泛应用。可以说神经网络作为目前非线性科学和计算智能研究的主要内容之一，已经成为解决很多实际问题的一种必要的技术手段。
本书作者Simon Haykin长期从事神经网络的研究，其关于神经网络的系列教材是国际上最有影响力的教材之一。本书是其经典教材《Neural Networks:A Comprehensive Foundation》的第3版。正如本书的题目所示，这一版对神经网络和机器学习这两个密切相关的分支进行了全面分析，在前一版的基础上作了广泛修订，提供了神经网络和机器学习这两个重要性持续增长的学科的最新分析。本书全面、系统地介绍了神经网络的基本模型、基本方法，对神经网络的基本模型和主要学习理论作了深入研究，对神经网络的最新发展趋势和主要研究方向进行了全面而综合的介绍。
在翻译过程中，译者常常为本书作者严谨的治学态度及本书博大精深的内容而赞叹不已。本书综合了诸多神经网络和机器学习的最新研究，在翻译过程中虽然力求准确地反映原著内容，但由于译者水平有限，翻译中如有错漏之处，恳请读者批评指正。
本书的翻译得到了国家自然科学基金的资助（项目编号60975047），特此表示感谢。同时，感谢参与本书翻译的全体人员，没有他们的辛勤工作，本书的中文译本是无法顺利完成的；感谢本书第2版（《神经网络原理》）的译者，在翻译过程中我们大量参考了第2版中文译本的内容；还要感谢南京大学计算机软件新技术国家重点实验室的支持。
南京大学计算机科学与技术系
计算机软件新技术国家重点实验室
申富饶
2010年10月于南京
本书作者Simon Haykin长期从事神经网络的研究，其关于神经网络的系列教材是国际上最有影响力的教材之一。本书是其经典教材《Neural Networks:A Comprehensive Foundation》的第3版。正如本书的题目所示，这一版对神经网络和机器学习这两个密切相关的分支进行了全面分析，在前一版的基础上作了广泛修订，提供了神经网络和机器学习这两个重要性持续增长的学科的最新分析。本书全面、系统地介绍了神经网络的基本模型、基本方法，对神经网络的基本模型和主要学习理论作了深入研究，对神经网络的最新发展趋势和主要研究方向进行了全面而综合的介绍。
在翻译过程中，译者常常为本书作者严谨的治学态度及本书博大精深的内容而赞叹不已。本书综合了诸多神经网络和机器学习的最新研究，在翻译过程中虽然力求准确地反映原著内容，但由于译者水平有限，翻译中如有错漏之处，恳请读者批评指正。
本书的翻译得到了国家自然科学基金的资助（项目编号60975047），特此表示感谢。同时，感谢参与本书翻译的全体人员，没有他们的辛勤工作，本书的中文译本是无法顺利完成的；感谢本书第2版（《神经网络原理》）的译者，在翻译过程中我们大量参考了第2版中文译本的内容；还要感谢南京大学计算机软件新技术国家重点实验室的支持。
南京大学计算机科学与技术系
计算机软件新技术国家重点实验室
申富饶
2010年10月于南京
前言
在写这本经典书籍第3版的时候，我遵循了本书第1版的基本原则：写一本关于神经网络的全面的、彻底的、可读性很强的、最新的论述。
新版本更名为《神经网络与机器学习》，主要是为了反映以下两个事实：
1.感知器、多层感知器、自组织映射及神经动力学，以及其他一些通常被看成是神经网络一部分的主题，这些内容源自人类大脑所激发的灵感。
2.核方法，例如支持向量机和核主分量分析，这些内容源自统计学习理论。
虽然这两者之间的确有一些共同的基本概念和应用，但是在神经网络和机器学习的具体操作上存在一些微妙的差别。因而，如果将这两者放在同一个体系下共同研究，一些潜在的主题会变得更丰富，特别体现在以下方面：
将神经网络和机器学习的思想综合起来以完成更难的学习任务。这些学习任务往往是神经网络或者机器学习自身所无法解决的。
源自人类大脑的灵感往往会引起新的特别重要的新发现。
除此之外,本书的范围也有所扩大,提供了详细的动态规划和逐次状态估计,这两者各自都能够在一些重要方面影响强化学习和监督学习。
本书的组织
本书从导言部分开始，导言主要讲述了编写本书的动机，可作为后续章节的阅读基础。本书包括以下6个部分:
1.第1～4章构成了本书的第一部分，主要介绍监督学习的一些经典方法。具体介绍如下：
第1章描述Rosenblatt感知器，重点介绍感知器收敛定理，以及在高斯环境下感知器和贝叶斯分类器的关系。
第2章讲述作为模型建立基础的最小二乘法，建立了在特定的高斯环境下这一方法和贝叶斯推理之间的关系。这一章还讨论了用于模式选择的最小描述长度（MDL）算法。
第3章讲述最小均方（LMS）算法及其收敛分析。其理论框架的分析揭示出两个原理：Kushner直接法和朗之万（Langevin）方程（在非平衡态热力学中很著名）。
这三章通过对不同概念的介绍揭示了其共同特点：它们都是基于一个计算单元。更为重要的是，它们从各自的角度深入、细致地讨论了学习过程的深层知识——这一特征将在后续章节中进一步探讨。
第4章是关于多层感知器的，是Rosenblatt感知器的广义版本。这一相对比较长的章节包含如下主题：
反向传播算法、其优点和局限性，以及将其作为一个最优化方法来计算偏导数。
学习率的最优退火和自适应控制。
交叉验证。
卷积网络，来自于Hubel和Wiesel在视觉系统方面的开拓性研究。
新版本更名为《神经网络与机器学习》，主要是为了反映以下两个事实：
1.感知器、多层感知器、自组织映射及神经动力学，以及其他一些通常被看成是神经网络一部分的主题，这些内容源自人类大脑所激发的灵感。
2.核方法，例如支持向量机和核主分量分析，这些内容源自统计学习理论。
虽然这两者之间的确有一些共同的基本概念和应用，但是在神经网络和机器学习的具体操作上存在一些微妙的差别。因而，如果将这两者放在同一个体系下共同研究，一些潜在的主题会变得更丰富，特别体现在以下方面：
将神经网络和机器学习的思想综合起来以完成更难的学习任务。这些学习任务往往是神经网络或者机器学习自身所无法解决的。
源自人类大脑的灵感往往会引起新的特别重要的新发现。
除此之外,本书的范围也有所扩大,提供了详细的动态规划和逐次状态估计,这两者各自都能够在一些重要方面影响强化学习和监督学习。
本书的组织
本书从导言部分开始，导言主要讲述了编写本书的动机，可作为后续章节的阅读基础。本书包括以下6个部分:
1.第1～4章构成了本书的第一部分，主要介绍监督学习的一些经典方法。具体介绍如下：
第1章描述Rosenblatt感知器，重点介绍感知器收敛定理，以及在高斯环境下感知器和贝叶斯分类器的关系。
第2章讲述作为模型建立基础的最小二乘法，建立了在特定的高斯环境下这一方法和贝叶斯推理之间的关系。这一章还讨论了用于模式选择的最小描述长度（MDL）算法。
第3章讲述最小均方（LMS）算法及其收敛分析。其理论框架的分析揭示出两个原理：Kushner直接法和朗之万（Langevin）方程（在非平衡态热力学中很著名）。
这三章通过对不同概念的介绍揭示了其共同特点：它们都是基于一个计算单元。更为重要的是，它们从各自的角度深入、细致地讨论了学习过程的深层知识——这一特征将在后续章节中进一步探讨。
第4章是关于多层感知器的，是Rosenblatt感知器的广义版本。这一相对比较长的章节包含如下主题：
反向传播算法、其优点和局限性，以及将其作为一个最优化方法来计算偏导数。
学习率的最优退火和自适应控制。
交叉验证。
卷积网络，来自于Hubel和Wiesel在视觉系统方面的开拓性研究。
