神經網絡是計算智能和機器學習的重要分支，在諸多領域都取得瞭很大的成功。在眾多神經網絡著作中，影響較為廣泛的是Simon Haykin的《神經網絡原理》（第3版更名為《神經網絡與機器學習》）。在本書中，作者結閤近年來神經網絡和機器學習的新進展，從理論和實際應用齣發，全麵、係統地介紹瞭神經網絡的基本模型、方法和技術，並將神經網絡和機器學習有機地結閤在一起。

《神經網絡與機器學習》不但注重對數學分析方法和理論的探討，而且也非常關注神經網絡在模式識彆、信號處理以及控製係統等實際工程問題的應用。本書的可讀性非常強，作者舉重若輕地對神經網絡的基本模型和主要學習理論進行瞭深入探討和分析，通過大量的試驗報告、例題和習題來幫助讀者更好地學習神經網絡。

本版在前一版的基礎上進行瞭廣泛修訂，提供瞭神經網絡和機器學習這兩個越來越重要的學科的新分析。

本書特色：

1. 基於隨機梯度下降的在綫學習算法；小規模和大規模學習問題。

2. 核方法，包括支持嚮量機和錶達定理。

3. 信息論學習模型，包括連接、獨立分量分析（ICA）、一緻獨立分量分析和信息瓶頸。

4. 隨機動態規劃，包括逼近和神經動態規劃。

5. 逐次狀態估計算法，包括卡爾曼和粒子濾波器。

6. 利用逐次狀態估計算法訓練遞歸神經網絡。

7. 富有洞察力的麵嚮計算機的試驗。

作者簡介

Simon Haykin，於1953年獲得英國伯明翰大學博士學位，目前為加拿大McMaster大學電子與計算機工程係教授、通信研究實驗室主任。他是國際電子電氣工程界的著名學者，曾獲得IEEE McNaughton金奬。他是加拿大皇傢學會院士、IEEE會士，在神經網絡、通信、自適應濾波器等領域成果頗豐，著有多部標準教材。

齣版者的話
譯者序
前言
縮寫和符號
術語
第0章導言
0.1 什麼是神經網絡
0.2 人類大腦
0.3 神經元模型
0.4 被看作有嚮圖的神經網絡
0.5 反饋
0.6 網絡結構
0.7 知識錶示
0.8 學習過程
0.9 學習任務
0.10 結束語
注釋和參考文獻
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 高斯環境下感知器與貝葉斯分類器的關係
1.5 計算機實驗：模式分類
1.6 批量感知器算法
1.7 小結和討論
注釋和參考文獻
習題
第2章通過迴歸建立模型
2.1 引言
2.2 綫性迴歸模型：初步考慮
2.3 參數嚮量的最大後驗估計
2.4 正則最小二乘估計和MAP估計之間的關係
2.5 計算機實驗：模式分類
2.6 最小描述長度原則
2.7 固定樣本大小考慮
2.8 工具變量方法
2.9 小結和討論
注釋和參考文獻
習題55
第3章最小均方算法
3.1 引言
3.2 LMS算法的濾波結構
3.3 無約束最優化：迴顧
3.4 維納濾波器
3.5 最小均方算法
3.6 用馬爾可夫模型來描畫LMS算法和維納濾波器的偏差
3.7 朗之萬方程：布朗運動的特點
3.8 Kushner直接平均法
3.9 小學習率參數下統計LMS學習理論
3.10 計算機實驗Ⅰ：綫性預測
3.11 計算機實驗Ⅱ：模式分類
3.12 LMS算法的優點和局限
3.13 學習率退火方案
3.14 小結和討論
注釋和參考文獻
習題
第4章多層感知器
4.1 引言
4.2 一些預備知識
4.3 批量學習和在綫學習
4.4 反嚮傳播算法
4.5 異或問題
4.6 改善反嚮傳播算法性能的試探法
4.7 計算機實驗：模式分類
4.8 反嚮傳播和微分
4.9 Hessian矩陣及其在在綫學習中的規則
4.10 學習率的最優退火和自適應控製
4.11 泛化
4.12 函數逼近
4.13 交叉驗證
4.14 復雜度正則化和網絡修剪
4.15 反嚮傳播學習的優點和局限
4.16 作為最優化問題看待的監督學習
4.17 捲積網絡
4.18 非綫性濾波
4.19 小規模和大規模學習問題
4.20 小結和討論
注釋和參考文獻
習題
第5章核方法和徑嚮基函數網絡
5.1 引言
5.2 模式可分性的Cover定理
5.3 插值問題
5.4 徑嚮基函數網絡
5.5 K-均值聚類
5.6 權嚮量的遞歸最小二乘估計
5.7 RBF網絡的混閤學習過程
5.8 計算機實驗：模式分類
5.9 高斯隱藏單元的解釋
5.10 核迴歸及其與RBF網絡的關係
5.11 小結和討論
注釋和參考文獻
習題
第6章支持嚮量機
第7章正則化理論
第8章主分量分析
第9章自組織映射
第10章信息論學習模型
第11章植根於統計力學的隨機方法
第12章動態規劃
第13章神經動力學
第14章動態係統狀態估計的貝葉斯濾波
第15章動態驅動遞歸網絡
參考文獻