●前言
第1章 關於神經網絡的學習
1.1 生與人
1.2 激活函數
1.3 本章小結
第2章 神經網絡處理的內在機理
2.1 逼近函數
2.2 網絡架構
2.3 前向傳遞計算
2.4 輸入記錄1
2.5 輸入記錄2
2.6 輸入記錄3
2.7 輸入記錄4
2.8 反向傳播過程計算
2.9 函數導數與函數發散
2.10 最常用的函數導數
2.11 本章小結
第3章 人工神經網絡處理
3.1 示例1：單點函數的手動逼近
3.2 構建神經網絡
3.3 前向傳遞計算
3.3.1 隱藏層
3.3.2 輸出層
3.4 反向傳遞計算
3.4.1 計算輸出的權值調整
3.4.2 計算隱藏的權值調整
3.5 更新網絡偏差
3.6 回到前向傳遞
3.6.1 隱藏層
3.6.2 輸出層
3.7 網絡計算的矩陣形式
3.8 深入調查
3.9 小批次與隨機梯度
3.10 本章小結
第4章 配置開發環境
4.1 在Windows計算機上安裝Java 11環境
4.2 安裝NetBeans IDE
4.3 安裝Encog Java框架
4.4 安裝XChart包
4.5 本章小結
第5章 使用Java Encog框架開發神經網絡
5.1 示例2：使用Java環境進行函數逼近
5.2 網絡架構
5.3 規範化輸入數據集
5.4 構建規範化兩個數據集的Java程序
5.5 構建神經網絡處理程序
5.6 程序代碼
5.7 調試和執行程序
5.8 訓練方法的處理結果
5.9 測試網絡
5.10 測試結果
5.11 深入調查
5.12 本章小結
第6章 訓練範圍外的神經網絡預測
6.1 示例3a：逼近訓練範圍以外的周期函數
6.1.1 示例3a的網絡架構
6.1.2 示例3a的程序代碼
6.1.3 測試網絡
6.2 示例3b：逼近訓練範圍以外的周期函數的正確方法
6.2.1 準備訓練數據
6.2.2 示例3b的網絡架構
6.2.3 示例3b的程序代碼
6.2.4 示例3b的訓練結果
6.2.5 示例3b的測試結果
6.3 本章小結
第7章 復雜周期函數的處理
7.1 示例4：復雜周期函數的逼近
7.2 數據準備
7.3 反映數據中的函數拓撲
7.4 程序代碼
7.5 訓練網絡
7.6 測試網絡
7.7 深入調查
7.8 本章小結
第8章 非連續函數的處理
8.1 示例5：非連續函數的逼近
8.2 程序代碼
8.3 訓練效果不理想
8.4 用微批次方法逼近非連續函數
8.5 微批次處理程序代碼
8.5.1 getChart()方法的程序代碼
8.5.2 訓練方法的代碼片段1
8.5.3 訓練方法的代碼片段2
8.6 微批次方法的訓練結果
8.7 測試處理邏輯
8.8 微批次方法的測試結果
8.9 深入調查
8.10 本章小結
第9章 具有復雜拓撲的連續函數的處理
9.1 示例5a：使用傳統的網絡過程逼近具有復雜拓撲的連續函數
9.1.1 示例5a的網絡架構
9.1.2 示例5a的程序代碼
9.1.3 示例5a的訓練處理結果
9.2 用微批次方法逼近具有復雜拓撲的連續函數
9.3 示例5b：螺旋函數的逼近
9.3.1 示例5b的網絡架構
9.3.2 示例5b的程序代碼
9.4 用微批次方法逼近同一函數
9.5 本章小結
第10章 用神經網絡對對像進行分類
10.1 示例6：記錄分類
10.2 訓練數據集
10.3 網絡架構
10.4 測試數據集
10.5 數據規範化程序代碼
10.6 分類程序代碼
10.7 訓練結果
10.8 測試結果
10.9 本章小結
第11章 選擇正確模型的重要性
11.1 示例7：預測下個月的股市價格
11.2 在數據集中包含函數拓撲
11.3 生成微批次文件
11.4 網絡架構
11.5 程序代碼
11.6 訓練過程
11.7 訓練結果
11.8 測試數據集
11.9 測試邏輯
11.10 測試結果
11.11 分析測試結果
11.12 本章小結
第12章 三維空間中的函數逼近處理
12.1 示例8：三維空間中函數的逼近
12.1.1 數據準備
12.1.2 網絡架構
12.2 程序代碼
12.3 本章小結
本書使用Java開發神經網絡應用程序。在學習了神經網絡處理所涉及的規則之後，你將可以手工處理第一個神經網絡示例。本書涵蓋了前向傳播和反向傳播的內在機理，有助於讀者理解神經網絡處理的主要原理。還教你如何準備用於神經網絡開發的數據，並為許多非傳統的神經網絡處理任務提出各種數據準備方法。書中討論的下一個大主題是使用Java進行神經網絡處理。你將使用Encog Java框架，並了解如何使用Encoq進行快速開發，從而創建大規模的神經網絡應用程序。本書還討論傳統的神經網絡過程無法逼近復雜的非連續函數問題，並介紹解決這一問題的微批次方法。本書包括大量的示例、圖表和屏幕截圖，逐步講解各種方法，幫助你快速輕松地掌握概念。本書主要內容：為許多不同的任務準備數據； 執行一些不尋常的神經網絡任務； 創建一個處理非連續函數的神經網絡； 選擇和改進開發的模型。
