自早期以来，神经网络就一直是人工智能（Artificial Intelligence，AI）的支柱。现在，令人兴奋的新技术（如深度学习和卷积）正在将神经网络带入一个全新的方向。本书将演示各种现实世界任务中的神经网络，如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU激活、随机梯度下降、交叉熵、正则化、Dropout及可视化等。
本书适合作为人工智能入门读者以及对人工智能算法感兴趣的读者阅读参考。

杰弗瑞·希顿（Jeffery Heaton），既是一位活跃的技术博主、开源贡献者，也是十多本图书的作者。他的专业领域包括数据科学、预测建模、数据挖掘、大数据、商务智能和人工智能等。他拥有华盛顿大学信息管理学硕士学位，是IEEE的高级会员、Sun认证Java程序员、开源机器学习框架Encog的首席开发人员。

第1章 神经网络基础
1.1 神经元和层
1.2 神经元的类型
1.2.1 输入和输出神经元
1.2.2 隐藏神经元
1.2.3 偏置神经元
1.2.4 上下文神经元
1.2.5 其他神经元类型
1.3 激活函数
1.3.1 线性激活函数
1.3.2 阶跃激活函数
1.3.3 S型激活函数
1.3.4 双曲正切激活函数
1.4 修正线性单元（ReLU）
1.4.1 Softmax激活函数
1.4.2 偏置扮演什么角色？
1.5 神经网络逻辑
1.6 本章小结
第2章 自组织映射
2.1 自组织映射
2.1.1 理解邻域函数
2.1.2 墨西哥帽邻域函数
2.1.3 计算SOM误差
2.2 本章小结
第3章 Hopfield网络和玻尔兹曼机
3.1 Hopfield神经网络
3.1.1 训练Hopfield网络
3.2 Hopfield-Tank网络
3.3 玻尔兹曼机
3.3.1 玻尔兹曼机概率
3.4 应用玻尔兹曼机
3.4.1 旅行商问题
3.4.2 优化问题
3.4.3 玻尔兹曼机训练
3.5 本章小结
第4章 前馈神经网络
4.1 前馈神经网络结构
4.1.1 用于回归的单输出神经网络
4.2 计算输出
4.3 初始化权重
4.4 径向基函数网络
……
第5章 训练与评估
第6章 反向传播训练
第7章 其他传播训练
第8章 NEAT、CPPN和HyperNEAT
第9章 深度学习
第10章 卷积神经网络
第11章 剪枝和模型选择
第12章 Dropout和正则化
第13章 时间序列和循环网络
第14章 架构神经网络
第15章 可视化
第16章 用神经网络建模
附录A 示例代码使用说明
参考资料