全書總評
- 書本印刷質量：5星。紙張很白，印刷清楚，文字排版合適，基本沒有排版過程中引入的錯誤，閱讀不累眼睛。
- 著作編寫質量：3星。入門書，看完后可能會對神經網絡有個基本概念，但是也可能就只有個基本概念。基本概念描述還是清楚的，還給出了比較好的參考資料。幾個例子講的很淺，好處就是提供了代碼，如果有開發(fā)方向的需要可以參考。深入學習神經網絡還是參考《神經網絡和機器學習》這本書吧。
- 著作翻譯質量：4星。用的都是常用詞匯。對于不了解神經網絡的讀者，通過本書了解一些基本概念，為將來學習其他書籍打下基礎；對于了解神經網絡的讀者不會造成概念混淆。
- 代碼質量：3星。基本沒錯誤，但是思路跟書上不完全匹配。比如說：感知機一般都是單層的，就是一個神經元，一個偏置量，兩個輸入的值，一個輸出的值，兩個權值。但是作者在測試代碼中放入兩個輸入權值，一個輸出權值，不明白，后面都是這樣的思路，于是只好棄了。
讀書筆記
C1.初識神經網絡
基本概念：人工神經元，激活函數，權值，偏置，層。
神經網絡結構：
- 神經元連接
- 單層神經網絡：單層感知機，自適應機，自組織映射、Elman網絡和Hopfield網絡。
- 多層神經網絡：多層感知機，徑向基函數。
- 信號流
- 前饋神經網絡：多層感知機，徑向基函數。
- 反饋神經網絡：單層的（Elman網絡和Hopfield網絡）和多層的（遞歸多層感知機和Echo網絡）。
C2.神經網絡是如何學習的
學習范式：
- 有監(jiān)督學習：
- 描述：已知的數據集與學習得到的結果之間的誤差最小，最小的評價基于某個代價函數。
- 應用：圖像分類，語音識別，函數逼近和趨勢預測。
- 無監(jiān)督學習：
- 描述：從已知的數據集提取知識，即將數據集分類，類間距離大，類內距離小，評價基于某個代價函數。
- 應用：聚類分析，數據壓縮，統計建模和語言建模。
學習算法：
- 兩個階段：訓練和測試。
- 重要細節(jié)：參數。
- 評價方式：誤差度量和代價函數。
- 例子：Perceptron 感知機和Delta規(guī)則。
C3.有監(jiān)督學習（運用感知機）
- 單層感知機的作用和局限性：解決線性可分問題，不能解決非線性問題。
- 多層感知機（MLP）：
- 層：
- 輸入層：
- 隱藏層：激活函數一般選擇雙曲正切或者sigmoid，因為它們是可導的。
- 輸出層：
- 學習過程：
- 反向傳播：敏感性反向傳播。收斂速度比較慢。
- Levenberg-Marquardt：
C4.無監(jiān)督學習（自組織映射）
- 競爭學習或贏家通吃：產生最大值的神經元更新它的權值。
- Kohonen自組織映射（Self-Organization Map）：
- 一維SOM：產生最大值的神經元更新它的權值，與之相鄰的神經元以相對較低的學習率更新權值。
- 二維SOM：領域函數判斷相鄰的神經元，使結構更“組織化”。
Rreferences（參考文獻）
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.