Python數據分析與應用

BP神經網絡是目前應用最多的一種神經網絡形式，它具備神經網絡的普遍優點，但它也不是非常完美的，下面將介紹其優缺點。 優點有以下幾個方面。 （1）非線性映射能力。BP神經網絡實質上實現了一個從輸入到輸出的映射功能，數學理論證明3層的神經網絡就能夠以任意精度逼近任何非線性連續函數，這使得其特別適合於求解內部機制複雜的問題。 （2）自學習和自適應能力。BP神經網絡在訓練時，能夠通過學習自動提取特徵、標籤之間的“合理規則”，並自適應地將學習內容記憶於網絡的權值中。 （3）泛化能力。所謂泛化能力，是指在設計分類器時，既要考慮網絡是否對所需分類對象進行正確分類，還要關心網絡在經過訓練後，能否對未見過的模式或有噪聲污染的模式進行正確的分類，即BP神經網絡具有將學習成果應用於新知識的能力。 （4）容錯能力。BP神經網絡在其局部的或者部分的神經元受到破壞後對全局的訓練結果不會造成很大的影響，也就是說，即使系統受到局部損傷，還是可以正常工作的。 雖然 BP 網絡得到了廣泛的應用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。 （1）由於學習速率是固定的，因此網絡的收斂速度慢，需要較長的訓練時間。對於一些複雜問題，BP算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的，可採用變化的學習速率或自適應的學習速率加以改進。 （2）BP算法可以使權值收斂到某個值，但並不保證其爲誤差平面的全局最小值，這是因爲，採用梯度下降法可能產生一個局部最小值。對於這個問題，可以採用附加動量法來解決。 （3）網絡隱含層的層數和單元數的選擇尚無理論上的指導，一般根據經驗或者通過反覆實驗確定。因此，網絡往往存在很大的冗餘性，在一定程度上也增加了網絡學習的負擔。 （4）網絡的學習和記憶具有不穩定性。也就是說，如果增加了學習樣本，訓練好的網絡就需要從頭開始訓練，對於以前的權值和閾值是沒有記憶的。

任務驅動，適合教學和實訓參考。

8.4/10 比較基礎，重複的地方比較多

適合數據分析進階教程，課程案例多分析也很詳細，可惜我是門外漢，學習有些困難

除了三個常用庫，還講了scikit-learn sklearn的用法

適合初級讀者，並有一定基礎的Python學習

整本書擼下來還是有點東西的，特別是每一章後的實訓題部分