머리말
제1장 신경망의 개요 ... 17
   1.1 머리말 ... 17
   1.2 신경망의 배경 ... 18
   1.3 생물학적 뉴런 ... 22
   1.4 신경망의 특성 ... 34
   1.5 신경망과 인공지능 ... 40
   1.6 신경망의 주요 모델 ... 44
   1.7 신경망의 분류법 ... 46
   1.8 신경망 연구의 형태 ... 47
   1.9 신경망의 기술 예측 ... 48
   1.10 신경망과 관련된 앞으로의 연구 개발과제 ... 50
   1.11 결어 ... 53
제2장 초기의 신경망 이론 및 모델 ... 59
   2.1 머리말 ... 59
   2.2 맥컬럭-피츠(McCulloch-Pitts)뉴런 ... 59
   2.3 헵의 학습 규칙 ... 64
   2.4 퍼셉트론 ... 66
   2.5 신경망의 3가지 대표적인 비선형 함수 ... 75
   2.6 퍼셉트론의 학습 과정 ... 77
   2.7 퍼셉트론의 한계점 ... 78
   2.8 선형분리 가능 ... 79
   2.9 Adaline(Adaptive Linear Neuron) ... 80
   2.10 Madaline(Many Adaline) ... 84
   2.11 결어 ... 86
제3장 다층 퍼셉트론 ... 91
   3.1 머리말 ... 91
   3.2 다층 퍼셉트론(Multilayer Perceptron) ... 92
   3.3 백프로퍼게이션 학습 알고리즘의 배경 ... 94
   3.4 백프로퍼게이션 학습 알고리즘 ... 97
   3.5 백프로퍼게이션 학습 알고리즘의 문제점 및 개선책 ... 110
   3.6 다층 퍼셉트론의 적용 예 ... 117
   3.7 결어 ... 141
제4장 홉필드 네트워크(Hopfield Network) ... 145
   4.1 머리말 ... 145
   4.2 홉필드 네트워크 ... 147
   4.3 연상 기억장치(Associative Memory) ... 149
   4.4 홉필드 네트워크의 동작 알고리즘 ... 154
   4.5 연상기억의 실험 ... 155
   4.6 최적화 문제의 예 : 순회판매원 문제(Traveling Salesman Problem) ... 160
   4.7 장점과 제한점 ... 163
   4.8 결어 ... 164
제5장 코호넨 네트워크 ... 169
   5.1 머리말 ... 169
   5.2 코호넨 네트워크 ... 170
   5.3 경쟁학습(Competitive Learning) ... 171
   5.4 코호넨 학습 규칙(Learning Rule) ... 173
   5.5 자기조직화 형상지도(Self-organizing Feature Maps)알고리즘 ... 175
   5.6 자기조직화 형상지도(Self-organizing Feature Maps) ... 176
   5.7 코호넨 네트워크의 장점 ... 183
   5.8 자기조직화 형상지도의 신경망 음성타자기에의 응용 ... 184
   5.9 코호넨의 자동연상 기억장치 ... 186
   5.10 결어 ... 187
제6장 ART 네트워크 ... 191
   6.1 머리말 ... 191
   6.2 ART(Adaptive Resonance Theory) ... 192
   6.3 ART-1 네트워크의 특성 ... 196
   6.4 이득 제어(Gain Control)와 '2 / 3규칙' ... 197
   6.5 ART-1 네트워크의 제한점 ... 200
   6.6 ART-1 네트워크를 이용한 패턴분류 ... 201
   6.7 ART-2 네트워크 ... 206
   6.8 결어 ... 208
제7장 시뮬레이티드 어닐링과 볼쯔만 머신 ... 211
   7.1 머리말 ... 211
   7.2 시뮬레이티드 어닐링(Simulated Annealing) ... 212
   7.3 시뮬레이티드 어닐링 알고리즘의 응용 예 ... 213
   7.4 볼쯔만 머신(Boltzmann Machine) ... 215
   7.5 볼쯔만 머신의 학습 ... 221
   7.6 볼쯔만 머신의 특징 및 응용 분야 ... 222
   7.7 결어 ... 223
제8장 카운터프로퍼게이션 네트워크 ... 229
   8.1 머리말 ... 229
   8.2 카운터프로퍼게이션 네트워크 ... 229
   8.3 네트워크의 구조 ... 231
   8.4 학습방법 ... 234
   8.5 응용 분야 ... 235
   8.6 카운터프로퍼게이션 네트워크의 장·단점 ... 239
   8.7 결어 ... 240
제9장 코그니트론(Cognitron)과 네오코그니트론(Neocognitron) ... 243
   9.1 머리말 ... 243
   9.2 코그니트론 ... 246
   9.3 코그니트론과 네오코그니트론 ... 248
   9.4 네오코그니트론의 구조와 동작 ... 249
   9.5 네오코그니트론의 자기조직화(Self-organization) ... 254
   9.6 지도학습 ... 260
   9.7 손으로 쓴 숫자 인식 ... 260
   9.8 네오코그니트론 모델의 정리 ... 274
   9.9 선택적 주의(Selective Attention)모델 ... 275
   9.10 네오코그니트론의 한글 문자에의 응용 ... 277
   9.11 결어 ... 278
제10장 퍼지 신경망 모델 ... 283
   10.1 머리말 ... 283
   10.2 SONN(Self-Organizing Neural Network)모델 ... 284
   10.3 퍼지 멤버십 값의 결정식 ... 288
   10.4 SONN 알고리즘 ... 289
   10.5 SONN모델의 특성 및 응용 분야 ... 292
   10.6 결어 ... 294
부록1 신경망 구현 예 ... 299
   1.1 머리말 ... 299
   1.2 PROGRAM ... 301
   1.3 구현 예제 ... 322
부록2 신경망에 대한 12가지 세간의 표현들 ... 337
   2.1 '신경망은 새로운 것이다' ... 337
   2.2 '신경망은 오래된 것이다' ... 338
   2.3 '신경망은 단지 범용 컴퓨터다' ... 339
   2.4 '신경망은 범용 컴퓨터가 아니다' ... 340
   2.5 '신경망은 구겨진 금속 종이 위의 작은 구슬과 같이 작동한다' ... 341
   2.6 '신경망은 전통적인 컴퓨터들에서 시뮬레이션(simulation)될 수 없다' ... 341
   2.7 '신경망은 전통적인 컴퓨터들에서 시뮬레이션 될 수 있다' ... 342
   2.8 '신경망은 전통적인 컴퓨터보다 더 효율적이다' ... 343
   2.9 '신경망은 신경의 네트워크와 같이 작동한다' ... 343
   2.10 '자기조직화(Self-organization)는 흥미로운 행동을 만들기에는 충분치 않다' ... 334
   2.11 '자기조직화만으로도 흥미로운 행위를 만들어낸다' ... 344
   2.12 '신경망은 전통적인 컴퓨터가 달성할 수 없는 인공지능을 달성한다' ... 345
부록3 용어해설 ... 347
찾아보기 ... 361