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……

作者简介 Fabio M. Soares目前是位于巴西北部的帕拉联邦大学（UFPA）的博士研究生。他几乎对所有领域的技术都充满热情，2004年起开始设计神经网络解决方案，此后将该技术应用于电信、工业过程控制和建模、水力发电、财务应用、零售客户分析等多个领域。他的研究课题涉及针对数据驱动模型的监督学习……

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……

本章将介绍神经网络及其设计目的。作为后续章节的基础，本章主要介绍神经网络的基本概念。本章将讨论以下主题： 人工神经元 权重和偏置 激活函数 神经元层 使用Java实现神经网络……

第1章介绍了神经网络，现在来了解神经网络的学习过程。本章将探讨神经网络学习的相关概念及其对应的Java实现。我们将对神经网络学习过程的基础和背后的思想进行回顾，以指导我们用Java实现学习算法，从而应用到神经网络实现代码中。本章将讨论以下主题： 学习能力 学习模式 监督学习 无监督学习 学习过程 优……

本章将探讨监督学习的更多细节，监督学习在寻找两个数据集之间的关系上非常有用。我们将引入一种非常流行的神经网络结构——感知机来实现监督学习。本章还介绍感知机的广义扩展版本，即所谓的多层感知机以及它们的特点、学习算法和参数。此外，读者还将学习如何用Java实现它们以及如何用它们来解决一些基本的问题。本章……

本章将介绍一种适用于无监督学习的神经网络体系结构：自组织映射，也叫Kohonen网络。在不需要任何目标输出，也不需要在更小的维度找到数据表示的情况下，这种特殊类型的网络就能对数据进行分类。这一章将探讨如何实现这一目标，并介绍一些能证明其分类能力的示例。本章将讨论以下主题： 无监督神经网络 竞争学习 ……

本章介绍日常生活中神经网络的一个常见应用：预报天气。我们将分析针对该问题设计神经网络解决方案的整个过程：包括如何选择神经架构和神经元的数量，以及如何进行数据选择和数据预处理。然后介绍处理时序数据的技术，神经网络将依据时序数据使用Java语言对天气变化进行预报。本章将讨论以下主题： 神经网络回归问题 ……

到目前为止，我们一直在用监督学习预测数值。然而，在现实世界中，数字只是数据处理的一部分。真实变量也包含分类值，它不是纯数学，但是描述了影响神经网络所要解决问题的重要特征。本章将介绍一个有点说教性质但很有趣的应用，它涉及分类数值和类别：疾病识别。这一章深入研究了分类问题及如何表示分类数据，同时介绍了如……

运用无监督学习神经网络的惊人能力之一，是它能够从数据中发现一些连专家都毫无头绪的隐藏模式。本章将通过一个实际的应用来探索这个迷人的特性，以寻找事务数据库中的客户和商品聚类。首先回顾一下无监督学习和聚类问题。为演示相关应用，本章将提供一个关于客户画像的实际例子及它的Java实现。本章将讨论以下主题： ……

众所周知，人类阅读和识别图像的速度比任何超级计算机都快。然而，到目前为止，神经网络在监督学习和无监督学习中都展示了惊人的数据学习能力。本章介绍一个关于模式识别的例子，涉及光学字符识别。神经网络可以通过训练来识别写在图像文件中的数字。本章将讨论以下主题： 模式识别 已知类别 未知类别 神经网络实现模式……

本章将介绍神经网络优化技术，以获得最佳性能。诸如输入数据选择、数据集的划分和过滤、隐藏神经元个数的选择以及交叉验证策略等任务，都是影响神经网络性能的因素。此外，本章将重点介绍调整神经网络以适应实时数据的方法。这里主要介绍两种技术的实现。应用实践问题将作为练习。本着将讨论以下主题： 输入数据选择 降维……