本书由10章构成。首先，系统、全面地阐述神经网络相关概念、知识点及特征。然后，重点介绍神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。最后，介绍一些经典案例及实现。本书适合神经网络初学者阅读，也可以作为智能化软件开发人员的工具书。

无

程序员需要持续不断地学习，而且经常会面对新技术和新方法的挑战。生活中人们虽然习惯了重复的事情，但也会经历新的事情。学习过程是科学界最有趣的话题之一，很多尝试都试图描述或者再现人类的学习过程。
本书的主要挑战是学习并掌握业界最新的内容。虽然神经网络这个名字可能看起来很奇怪，甚至可能误认为它是关于神经学的，但是我们通过把重点放在你决定购买这本书的原因上来简化这些细微差别。我们打算建立一个框架，告诉你神经网络其实很简单，很容易理解，你不需要有足够的先验知识，就完全可以理解本书提到的概念。
因此，我们希望你充分掌握本书的内容，在面对棘手问题时，能始终以初学者的态度运用神经网络的功能来解决。本书对提到的每个概念都用简单的语言进行解释，但理解它也需要一定的技术背景。本书的目的是让你了解智能应用可以通过简单语言编写。
各章概览
第1章主要介绍神经网络的概念，解释基本神经元结构（单层感知机、学习机），以及激活函数、权重和学习算法。此外，该章还演示了用Java创建基本神经网络的整个过程。
第2章主要介绍神经网络学习过程的细节，解释几个有用的概念，如训练、测试和验证，演示如何实现训练和验证算法、如何进行误差评估。
第3章主要讨论感知机和监督学习的特性，展示这类神经网络的训练算法，以及如何用Java实现这些特性。
第4章主要介绍无监督学习和自组织映射，即Kohonen神经网络在分类和聚类问题中的应用。
第5章主要阐述如何用神经网络解决天气预报的问题，你会看到来自不同地区、不同时间的历史天气数据记录，并学习如何在神经网络训练之前对数据进行预处理。
第6章主要介绍分类问题，这属于监督学习的范畴。运用患者的数据构建基于神经网络的专家系统，专家系统能够根据患者的症状给出诊断结果。
第7章讨论如何应用无监督学习算法和神经网络实现聚类，进而实现客户画像聚类。
第8章主要介绍另一种涉及神经网络的常见任务：光学字符识别（OCR）。OCR非常有用，它显示了神经网络强大的学习能力。
第9章主要介绍神经网络优化的相关技术，如输入选择，切分训练数据集、验证数据集和测试数据集的较优方法，以及数据过滤和隐含神经元个数的选择。
第10章主要介绍神经网络领域的新技术动态，启发你理解并设计出适用于更复杂问题的新策略。
附录内容为在线内容，可以通过以下链接下载：https://www.packtpub.com/sites/default/files/downloads/Neural_Network_Programming_with_Java_SecondEdition_Appendices.pdf。附录内容主要涉及搭建Netbeans开发环境的详细步骤，搭建Eclipse开发环境的详细步骤。
阅读准备
需要Netbeans（www.netbeans.org）或者Eclipse（www.eclipse.org）软件，两者都是免费的，可以从官方网站下载。
本书读者对象
本书适合以下Java开发者：想知道如何运用神经网络的功能开发更智能的应用。同时本书适用于那些处理大量复杂数据并希望在日常应用中有更高效率的人士。本书的读者最好具有一些统计计算的基础知识。
下载示例代码
可以从网站http://www.packtpub.com或华章网站www.hzbook.com下载本书中的示例代码。

计算机/人工智能/深度学习与神经网络

神经网络是人工智能领域最重要的基础模型之一，也是目前非常热门的研究方向——深度学习的核心。作为一门重要的机器学习技术，其已经广泛应用于自动驾驶、机器翻译、语音识别、图像识别等许多前沿领域。而当前人工智能领域的诸多应用平台（如智能客服等）都基于Java服务框架开发，因此，通过Java实现机器学习算法对于业务平台实现真正的智能化非常重要。
　 本书集神经网络理论、神经网络Java实现及优秀案例于一体，以一种简单易懂、循序渐进的方式介绍神经网络。

本书内容
·系统、全面地阐述了神经网络的相关概念、知识点以及神经网络架构的创建过程。
·重点介绍了神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。
·提供了基于神经网络Java实现的诸多案例，为解决实践中的问题提供了很好的借鉴。

众所周知，人工智能是当下非常热门的技术。其概念在20世纪80年代就已经炒得火热，但是由于软硬件两方面的技术局限使其两度陷入低谷。而如今，各大IT巨头（诸如谷歌、Facebook、Apple、百度、腾讯、阿里等）纷纷在人工智能领域密集布局，通过巨额研发投入、人才储备、投资并购及开源合作等方式极力打造各自的人工智能生态圈。人工智能已经成为这个时代激动人心、值得期待的技术，或将成为未来10年乃至更长时间内IT产业发展的焦点。究其原因，除了互联网大数据积累、计算能力提升及计算成本降低等推动因素外，其本质原因是孜孜不倦积累30多年的神经网络技术的集中爆发。
神经网络（Neural Network）是人工智能领域最重要的基础模型之一，也是目前非常热门的研究方向—深度学习的核心。作为一门重要的机器学习技术，其已经广泛应用于自动驾驶、机器翻译、语音识别、图像识别等许多前沿领域。而当前人工智能领域的诸多应用平台（如智能客服等）都基于Java服务框架开发，因此，通过Java实现机器学习算法对于业务平台实现真正的智能化非常重要。
遗憾的是，现有的书籍要么只阐述机器学习方面的算法理论，要么只阐述Java理论，缺少基于工程性语言的机器学习算法实现，由此带来的问题是智能化应用产品的落地和实现过程的复杂化。
作为一本集神经网络理论、神经网络Java实现及优秀案例于一体的书，本书以一种简单易懂、循序渐进的方式介绍神经网络。本书由10章构成。首先系统、全面地阐述了神经网络的相关概念、知识点及特征。然后重点介绍了神经网络学习过程的细节，如何用Java实现神经网络特性及设计神经网络架构，如何优化调整神经网络参数等。最后介绍了一些经典案例。结合Java实现神经网络架构是本书的一个主要特色。这是一本基于Java语言阐述神经网络架构特性、设计实现过程又包含经典实践案例的优秀书籍。
本书的读者对象如下：1）神经网络初学者，本书全面阐述了神经网络的相关概念、知识点以及神经网络架构的创建过程；2）有Java背景且对智能化方向感兴趣的软件开发者，本书介绍了如何基于Java实现神经网络核心算法；3）智能化软件开发人员，本书提供了基于神经网络Java实现的诸多案例，为解决实践中的问题提供了很好的借鉴。本书不需要读者有深厚的数学基础，但是懂一些机器学习基础知识更有助于理解本书。
参与本书翻译工作的人员主要有：百度研发工程师王彩霞和蔚来汽车研发工程师夏妍。非常感谢百度地图刘懿的牵线引荐，让我能有机会和机械工业出版社合作。衷心感谢刘懿、百度美国大数据实验室的杨涛、百度推荐技术平台部的尚斌及网易产品经理马庆提出的修改建议。也非常感谢清华大学公派加州大学伯克利分校博士顾维玺、机械工业出版社张梦玲编辑的无私帮助。
限于水平，对中文语言的表达及内容的理解难免存在不当之处，在此敬请读者批评指正。本人十分荣幸能有机会成为本书的译者，认真阅读本书也一定会使你受益匪浅。

王彩霞
2018年5月于厦门

译者序
作者和审校者简介
前言
第1章 神经网络入门 1
1.1　探索神经网络 1
1.2　人工神经网络 2
1.2.1　神经网络是如何组织的 3
1.2.2　基本元素—人工神经元 3
1.2.3　赋予神经元生命—激活函数 4
1.2.4　可变参数—权重 5
1.2.5　额外参数—偏置 6
1.2.6　由部分到整体—层 6
1.2.7　神经网络体系结构 7
1.2.8　单层网络 7
1.2.9　多层网络 8
1.2.10　前馈网络 8
1.2.11　反馈网络 8
1.3　从无知到认知—学习过程 9
1.4　开始编程—神经网络实践 10
1.5　神经元类 12
1.6　NeuralLayer类 14
1.7　ActivationFunction接口 15
1.8　神经网络类 15
1.9　运行程序 17
1.10　本章小结 19
第2章
神经网络学习 20
2.1　神经网络的学习能力 21
2.2　学习模式 22
2.2.1　监督学习 22
2.2.2　无监督学习 22
2.3　学习过程 23
2.3.1　寻找损失函数最优下降方向 24
2.3.2　在学习过程中更新权重 25
2.3.3　计算损失函数 25
2.3.4　一般误差和总体误差 27
2.3.5　神经网络的迭代学习什么时候停止比较好 27
2.4　学习算法示例 28
2.4.1　δ规则 29
2.4.2　学习率 30
2.4.3　实现δ规则 30
2.4.4　δ规则学习的核心—train和calcNewWeight方法 31
2.4.5　另一种学习算法—Hebbian学习 34
2.4.6　学习机 35
2.5　在实践中理解学习过程 37
2.6　测试 41
2.7　本章小结 43
第3章　感知机和监督学习 44
3.1　监督学习—训练神经网络 45
3.1.1　分类—寻找合适的类别 45
3.1.2　回归—将实际输入映射到输出 46
3.2　一个基本的神经结构—感知机 48
3.2.1　应用和限制 49
3.2.2　线性可分 49
3.2.3　“异或”问题 50
3.3　多层感知机 52
3.3.1　MLP属性 52
3.3.2　MLP权重 53
3.3.3　递归MLP 54
3.3.4　编码实现MLP 54
3.4　MLP学习 55
3.4.1　反向传播算法 56
3.4.2　动量项 58
3.4.3　编码实现反向传播 58
3.4.4　Levenberg-Marquardt算法 62
3.4.5　编码实现基于矩阵代数的Levenberg-Marquardt算法 64
3.4.6　极限学习机 66
3.5　实例1—基于δ规则和反向传播的“异或”问题 69
3.6　实例2—预测入学状态 72
3.7　本章小结 75
第4章　自组织映射 76
4.1　无监督神经网络 76
4.2　无监督学习算法 77
4.2.1　竞争学习 78
4.2.2　竞争层 80
4.3　Kohonen自组织映射 82
4.3.1　将神经网络代码扩展至Kohonen 83
4.3.2　零维SOM 84
4.3.3　一维SOM 84
4.3.4　二维SOM 85
4.3.5　2D竞争层 87
4.3.6　SOM学习算法 89
4.3.7　邻近神经元的影响—邻域函数 90
4.3.8　学习率 91
4.3.9　竞争学习的一个新类 92
4.3.10　SOM可视化 95
4.3.11　绘制训练数据集和神经元权重的2D图 97
4.3.12　测试Kohonen学习 99
4.4　本章小结 105
第5章　预报天气 106
5.1　神经网络用于回归问题 106
5.2　加载/选择数据 108
5.2.1　创建辅助类 108
5.2.2　从CSV文件加载数据集 111
5.2.3　创建时序结构 112
5.2.4　丢弃NaN 113
5.2.5　获取天气数据 114
5.2.6　天气变量 115
5.3　选择输入和输出变量 115
5.4　预处理 117
5.4.1　归一化 117
5.4.2　应用NeuralDataSet处理归一化 121
5.4.3　应用学习算法进行归一化 123
5.4.4　天气预报的Java实现 123
5.4.5　收集天气数据 123
5.4.6　延迟变量 126
5.4.7　加载数据并开始运行 126
5.4.8　相关性分析 128
5.4.9　创建神经网络 131
5.4.10　训练和测试 131
5.4.11　可视化神经网络的输出 133
5.5　神经网络实验设计 134
5.5.1　设计实验 134
5.5.2　结果和模拟 135
5.6　本章小结 138
第6章　疾病分类识别 139
6.1　分类问题的基础 139
6.1.1　分类数据 140
6.1.2　处理分类数据 141
6.2　逻辑回归 142
6.2.1　多分类与二分类 143
6.2.2　混淆矩阵 144
6.2.3　敏感性与特异性 144
6.2.4　实现混淆矩阵 145
6.3　分类神经网络 147
6.4　用神经网络进行疾病识别 147
6.4.1　乳腺癌识别 148
6.4.2　糖尿病识别 151
6.5　本章小结 154
第7章　客户画像聚类 155
7.1　聚类任务 156
7.1.1　聚类分析 156
7.1.2　聚类评估和验证 157
7.1.3　实现 158
7.1.4　外部验证 159
7.2　应用无监督学习 159
7.3　画像过程 160
7.3.1　预处理 160
7.3.2　Java实现 161
7.3.3　信用卡—客户画像信用分析 161
7.3.4　产品画像 165
7.3.5　多少个簇合适 166
7.4　本章小结 167
第8章　文本识别 168
8.1　模式识别 168
8.1.1　类已知 169
8.1.2　类未知 170
8.2　神经网络用于模式识别 171
8.2.1　数据预处理 171
8.2.2　文本识别（光学字符识别） 172
8.2.3　数字识别 172
8.2.4　数字表示 172
8.2.5　Java实现 173
8.2.6　数据生成 173
8.2.7　神经结构 174
8.2.8　实验 174
8.2.9　结果 176
8.3　本章小结 179
第9章　神经网络优化与调整 180
9.1　神经网络实现的常见问题 181
9.2　输入数据选择 181
9.2.1　数据相关性 182
9.2.2　数据转换 183
9.2.3　降维 183
9.2.4　数据过滤 184
9.2.5　交叉验证 186
9.2.6　神经网络结构选择 187
9.3　在线重训练 189
9.3.1　随机在线学习 190
9.3.2　实现 190
9.3.3　应用 191
9.4　自适应神经网络 193
9.4.1　自适应谐振理论 193
9.4.2　实现 194
9.5　本章小结 195
第10章　神经网络当前趋势 196
10.1　深度学习 196
10.2　深度架构 198
10.2.1　如何用Java实现深度学习 199
10.2.2　神经模糊 201
10.2.3　神经遗传 203
10.3　实现混合神经网络 204
10.4　本章小结 207
参考文献 208