神經網絡與機器學習（原書第3版） Neural Networks and Learning Machines, 3/e

Simon Haykin，是國際電子電氣工程界的著名學者，加拿大皇家學會院士，IEEE會士，於1953年獲得英國伯明翰大學博士學位，現任加拿大麥克馬斯特大學教授，在該校創辦了通信研究實驗室並長期擔任主任。他曾經獲得IEEE McNaughton獎章，在神經網絡、通信、自適應濾波器等領域成果頗豐，著有多種標準教材。

出版者的話
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被看作有向圖的神經網絡
0.5反饋
0.6網絡結構
0.7知識表示
0.8學習過程
0.9學習任務
0.10結束語
註釋和參考文獻

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
註釋和參考文獻
習題

第2章通過回歸建立模型
2.1引言
2.2線性回歸模型：初步考慮
2.3參數向量的最大後驗估計
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
註釋和參考文獻
習題

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：回顧
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：線性預測
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
註釋和參考文獻
習題

第4章多層感知器
4.1引言
4.2一些預備知識
4.3批量學習和在線學習
4.4反向傳播算法
4.5異或問題
4.6改善反向傳播算法性能的試探法
4.7計算機實驗：模式分類
4.8反向傳播和微分
4.9 Hessian矩陣及其在在線學習中的規則
4.10學習率的最優退火和自適應控制
4.11泛化
4.12函數逼近
4.13交叉驗證
4.14複雜度正則化和網絡修剪
4.15反向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卷積網絡
4.18非線性濾波
4.19小規模和大規模學習問題
4.20小結和討論
註釋和參考文獻
習題

第5章核方法和徑向基函數網絡
5.1引言
5.2模式可分性的Cover定理
5.3插值問題
5.4徑向基函數網絡
5.5 K-均值聚類
5.6權向量的遞歸最小二乘估計
5.7 RBF網絡的混合學習過程
5.8計算機實驗：模式分類
5.9高斯隱藏單元的解釋
5.10核回歸及其與RBF網絡的關係
5.11小結和討論
註釋和參考文獻
習題

第6章支持向量機
6.1引言
6.2線性可分模式的最優超平面
6.3不可分模式的最優超平面
6.4使用核方法的支持向量機
6.5支持向量機的設計
6.6 XOR問題
6.7計算機實驗:模式分類
6.8回歸：魯棒性考慮
6.9線性回歸問題的最優化解
6.10表示定理和相關問題
6.11小結和討論
註釋和參考文獻
習題

第7章正則化理論
7.1引言
7.2良態問題的Hadamard條件
7.3 Tikhonov正則化理論
7.4正則化網絡
7.5廣義徑向基函數網絡
7.6再論正則化最小二乘估計
7.7對正則化的附加要點
7.8正則化參數估計
7.9半監督學習
7.1 0流形正則化：初步的考慮
7.1 1可微流形
7.1 2廣義正則化理論
7.1 3光譜圖理論
7.1 4廣義表示定理
7.1 5拉普拉斯正則化最小二乘算法
7.1 6用半監督學習對模式分類的實驗
7.1 7小結和討論
註釋和參考文獻
習題

第8章主分量分析
8.1引言232 
…… 

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章動態系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