深度学习原理与实践(开源图书)-总目录，建议收藏，告别碎片阅读！
人工神经网络(Artificial Neural Network)分类算法属于监督学习算法。常用分类算法包括：逻辑回归(Logistic Regression, LR)、K最近邻(k-Nearest Neighbor, KNN)、朴素贝叶斯模型(Naive Bayesian Model, NBM)、隐马尔科夫模型(Hidden Markov Model)、支持向量机(Support Vector Machine)、决策树(Decision Tree)、神经网络(Neural Network)和集成学习(ada-boost)。
人工神经网络(Artificial Neural Network)是模拟神经元的处理信息的数学模型。神经网络包含多个层次，同层之间的神经元相互之间不进行数据通信；相邻层之间的神经元相互联接构成网络，即”神经网络”。数据信息顺着网络正向传播，误差信息逆着网络方向反向传播。
2000年以前，神经网络一直被SVM算法压制，随后出现大量理论创新和应用创新，成为最热门的机器学习方法。人工神经网络(Artificial Neural Network)包括多种模型：BP网络、径向基RBF网络、Hopfield网络、随机神经网络(Boltzmann机)、竞争神经网络(Hamming网络，自组织映射网络)等。神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。
1 算法原理人工神经网络(Artificial Neural Network)分类算法是由多层神经元结构组成，每一层神经元拥有输入和输出。人工神经网络由3个要素组成：拓扑结构、连接方式和学习规则。人工神经网络包含三种层类型:
输入层(Input layer)，输入层神经元可以接受多种类型的数据输入(文字、声音和图像等)。输出层(Output layer)，输出层输出分类或其他决策信息。隐藏层(Hidden layer)，输入层和输出层之间包含多个隐藏层。人工神经网络(Artificial Neural Network)分类算法的核心步骤如下:
数据清洗：数据规范化, 了解数据的基本特征;构建神经网络的拓扑结构确定神经网络的连接方式通过训练样本的校正，得到神经网络的权值矩阵值人工神经网络(Artificial Neural Network)分类算法的核心优势如下：
计算伸缩性: 计算复杂度复杂，基于专用芯片加速可以使用复杂网络结构;参数依赖性: 可调节参数较多;普适性能力: 泛化能力强大；抗噪音能力: 鲁棒性强;结果解释性: 黑箱，不易解释。 2 算法实例[TODO, Coming Soon!]
3 典型应用人工神经网络(Artificial Neural Network)用于处理语言处理、语音识别、图像识别等领域，表现出优良的性能。
系列文章 机器学习原理与实践(开源图书)-总目录深度学习原理与实践(开源图书)-总目录Github: 机器学习&深度学习理论与实践(开源图书) 参考资料 [1] 周志华. 机器学习. 清华大学出版社. 2016.[2] [日]杉山将. 图解机器学习. 人民邮电出版社. 2015.[3] 不安的裙子. 终极算法-机器学习和人工智能如何重塑世界. 中信出版社. 2018.[4] 健康的香氛. 统计学习方法. 2012.