神经网络设计（原书第2版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

［美]马丁 T. 哈根 著，章毅等译 译

图书标签:

• 神经网络
• 深度学习
• 机器学习
• 模式识别
• 人工智能
• 算法
• 计算模型
• 神经网络设计
• 神经网络应用
• 神经网络理论

出版社： 机械工业出版社

ISBN：9787111586746

版次：1

商品编码：12288215

品牌：机工出版

包装：平装

丛书名： 智能科学与技术丛书

开本：16开

出版时间：2018-01-01

用纸：胶版纸

页数：426

内容简介

本书是一本易学易懂的神经网络教材，主要讨论网络结构、学习规则、训练技巧和工程应用，紧紧围绕“设计”这一视角组织材料和展开讲解，强调基本原理和训练方法，概念清晰，数学论述严谨，包含丰富的实例和练习，并配有课件和MATLAB演示程序。本书要求读者具备线性代数、概率论和微分方程的基础知识，可作为高年级本科生或一年级研究生的神经网络导论课程教材，也可供有兴趣的读者自学或参考。

目录

目　录
Neural Network Design，Second Edition

出版者的话
译者序
前言
第1章　引言1
　1.1　目标1
　1.2　历史1
　1.3　应用3
　1.4　生物学启示4
　1.5　扩展阅读5
第2章　神经元模型及网络结构8
　2.1　目标8
　2.2　理论与例子8
　　2.2.1　记号8
　　2.2.2　神经元模型8
　　2.2.3　网络结构11
　2.3　小结15
　2.4　例题17
　2.5　结束语18
　2.6　习题18
第3章　一个说明性的实例20
　3.1　目标20
　3.2　理论与例子20
　　3.2.1　问题描述20
　　3.2.2　感知机21
　　3.2.3　Hamming网络23
　　3.2.4　Hopfield网络26
　3.3　结束语27
　3.4　习题28
第4章　感知机学习规则31
　4.1　目标31
　4.2　理论与例子31
　　4.2.1　学习规则31
　　4.2.2　感知机结构32
　　4.2.3　感知机的学习规则35
　　4.2.4　收敛性证明39
　4.3　小结41
　4.4　例题42
　4.5　结束语48
　4.6　扩展阅读49
　4.7　习题49
第5章　信号与权值向量空间53
　5.1　目标53
　5.2　理论与例子53
　　5.2.1　线性向量空间53
　　5.2.2　线性无关54
　　5.2.3　生成空间55
　　5.2.4　内积56
　　5.2.5　范数56
　　5.2.6　正交性56
　　5.2.7　向量展开式58
　5.3　小结60
　5.4　例题61
　5.5　结束语66
　5.6　扩展阅读67
　5.7　习题67
第6章　神经网络中的线性变换71
　6.1　目标71
　6.2　理论与例子71
　　6.2.1　线性变换71
　　6.2.2　矩阵表示72
　　6.2.3　基变换74
　　6.2.4　特征值与特征向量76
　6.3　小结79
　6.4　例题79
　6.5　结束语85
　6.6　扩展阅读85
　6.7　习题86
第7章　有监督的Hebb学习90
　7.1　目标90
　7.2　理论与例子90
　　7.2.1　线性联想器91
　　7.2.2　Hebb规则91
　　7.2.3　伪逆规则93
　　7.2.4　应用95
　　7.2.5　Hebb学习的变形96
　7.3　小结97
　7.4　例题98
　7.5　结束语105
　7.6　扩展阅读105
　7.7　习题106
第8章　性能曲面和最优点108
　8.1　目标108
　8.2　理论与例子108
　　8.2.1　泰勒级数108
　　8.2.2　方向导数110
　　8.2.3　极小点111
　　8.2.4　优化的必要条件113
　　8.2.5　二次函数114
　8.3　小结119
　8.4　例题120
　8.5　结束语127
　8.6　扩展阅读127
　8.7　习题128
第9章　性能优化131
　9.1　目标131
　9.2　理论与例子131
　　9.2.1　最速下降法131
　　9.2.2　牛顿法136
　　9.2.3　共轭梯度法139
　9.3　小结142
　9.4　例题142
　9.5　结束语150
　9.6　扩展阅读150
　9.7　习题151
第10章　Widrow-Hoff学习153
　10.1　目标153
　10.2　理论与例子153
　　10.2.1　ADALINE网络153
　　10.2.2　均方误差154
　　10.2.3　LMS算法156
　　10.2.4　收敛性分析157
　　10.2.5　自适应滤波器159
　10.3　小结164
　10.4　例题165
　10.5　结束语174
　10.6　扩展阅读174
　10.7　习题175
第11章　反向传播179
　11.1　目标179
　11.2　理论与例子179
　　11.2.1　多层感知机179
　　11.2.2　反向传播算法182
　　11.2.3　例子186
　　11.2.4　批量训练和增量训练188
　　11.2.5　使用反向传播188
　11.3　小结192
　11.4　例题193
　11.5　结束语201
　11.6　扩展阅读201
　11.7　习题202
第12章　反向传播算法的变形210
　12.1　目标210
　12.2　理论与例子210
　　12.2.1　反向传播算法的缺点210
　　12.2.2　反向传播算法的启发式改进215
　　12.2.3　数值优化技术218
　12.3　小结226
　12.4　例题228
　12.5　结束语235
　12.6　扩展阅读236
　12.7　习题237
第13章　泛化241
　13.1　目标241
　13.2　理论与例子241
　　13.2.1　问题描述242
　　13.2.2　提升泛化能力的方法243
　13.3　小结257
　13.4　例题258
　13.5　结束语265
　13.6　扩展阅读265
　13.7　习题266
第14章　动态网络270
　14.1　目标270
　14.2　理论与例子270
　　14.2.1　分层数字动态网络271
　　14.2.2　动态学习的基本原则273
　　14.2.3　动态反向传播276
　14.3　小结288
　14.4　例题290
　14.5　结束语296
　14.6　扩展阅读296
　14.7　习题297
第15章　竞争网络302
　15.1　目标302
　15.2　理论与例子302
　　15.2.1　Hamming网络303
　　15.2.2　竞争层304
　　15.2.3　生物学中的竞争层307
　　15.2.4　自组织特征图308
　　15.2.5　学习向量量化310
　15.3　小结314
　15.4　例题315
　15.5　结束语322
　15.6　扩展阅读322
　15.7　习题323
第16章　径向基网络329
　16.1　目标329
　16.2　理论与例子329
　　16.2.1　径向基网络329
　　16.2.2　训练RBF网络333
　16.3　小结343
　16.4　例题344
　16.5　结束语347
　16.6　扩展阅读347
　16.7　习题348
第17章　实际训练问题352
　17.1　目标352
　17.2　理论与例子352
　　17.2.1　训练前的步骤353
　　17.2.2　网络训练359
　　17.2.3　训练结果分析362
　17.3　结束语368
　17.4　扩展阅读368
第18章　实例研究1:函数逼近370
　18.1　目标370
　18.2　理论与例子370
　　18.2.1　智能传感系统描述370
　　18.2.2　数据收集与预处理371
　　18.2.3　网络结构选择372
　　18.2.4　网络训练372
　　18.2.5　验证373
　　18.2.6　数据集374
　18.3　结束语375
　18.4　扩展阅读375
第19章　实例研究2：概率估计376
　19.1　目标376
　19.2　理论与例子376
　　19.2.1　CVD过程描述376
　　19.2.2　数据收集与预处理377
　　19.2.3　网络结构选择378
　　19.2.4　网络训练379
　　19.2.5　验证381
　　19.2.6　数据集382
　19.3　结束语382
　19.4　扩展阅读383
第20章　实例研究3：模式识别384
　20.1　目标384
　20.2　理论与例子384
　　20.2.1　心肌梗死识别问题描述384
　　20.2.2　数据收集与预处理384
　　20.2.3　网络结构选择387
　　20.2.4　网络训练387
　　20.2.5　验证388
　　20.2.6　数据集389
　20.3　结束语390
　20.4　扩展阅读390
第21章　实例研究4：聚类391
　21.1　目标391
　21.2　理论与例子391
　　21.2.1　森林覆盖问题描述391
　　21.2.2　数据收集与预处理392
　　21.2.3　网络结构选择392
　　21.2.4　网络训练393
　　21.2.5　验证394
　　21.2.6　数据集396
　21.3　结束语396
　21.4　扩展阅读396
第22章　实例研究5：预测398
　22.1　目标398
　22.2　理论与例子398
　　22.2.1　磁悬浮系统描述398
　　22.2.2　数据收集与预处理399
　　22.2.3　网络结构选择399
　　22.2.4　网络训练401
　　22.2.5　验证402
　　22.2.6　数据集404
　22.3　结束语404
　22.4　扩展阅读405
附录A　参考文献406
附录B　记号413
附录C　软件417
索引420

前言/序言

前　言Neural Network Design，Second Edition本书介绍基本的神经网络结构和学习规则，重点阐述网络的数学分析、训练方法，以及网络在非线性回归、模式识别、信号处理、数据挖掘和控制系统等领域实际工程问题中的应用。
我们尽最大努力以清晰和一致的方式安排本书内容，以期本书易懂易用。书中使用了许多例子来解释每个讨论的主题。在书的最后几章，我们提供了一些学习实例，以展示神经网络在实际应用中可能遇到的问题。
由于本书是关于神经网络设计的，因此在内容的选择上依据了两个原则。首先，我们希望提供最有用且实际的神经网络结构、学习规则和训练技巧。其次，我们希望本书能够自成体系，并且章节间的过渡自然流畅。为了实现这个目的，我们将有关应用数学的各种介绍材料和章节放在了需要用到这些材料的特定主题之前。简言之，一些内容的选择是因为它们对神经网络的实际应用有重要作用，而另一些内容的选择则是由于它们对解释神经网络的运行机制有重要意义。
我们省略了许多本可以包含的内容。例如，我们没有把本书写成一个涵盖所有已知神经网络结构和学习规则的目录或纲要，而是集中精力介绍基础概念。其次，我们没有讨论神经网络的实现技术，如VLSI、光学器件和并行计算机等。再有，我们没有提供神经网络的生物学和心理学方面的基础知识。虽然这些内容都是重要的，不过，我们希望重点讨论那些我们认为对神经网络设计最有用的内容，并进行深入阐释。
本书可作为高年级本科生或一年级研究生一个学期的神经网络导论课程教材（也适合短期课程、自学或参考）。读者需要具有一定的线性代数、概率论和微分方程的基础知识。
书中每章按如下方式分节：目标、理论与例子、小结、例题、结束语、扩展阅读和习题。理论与例子是每章的主要部分，包含基本思想的发展以及例子解析。小结部分提供一个方便的列表，包含重要方程和概念，以易于工程参考。每章将大约1/3的篇幅用在例题部分，为所有关键的概念提供详细的例题解析。
下页的框图说明了各章之间的依赖关系。
第1～6章涵盖后面所有章节需要的基本概念。第1章是本书的引言，简要介绍神经网络的历史背景和一些生物学基础。第2章描述基本的神经网络结构，这一章引入的记号体系将贯穿全书。第3章给出一个简单的模式识别问题，并展示该问题可以分别由三类不同的神经网络来解决。这三类网络是本书后面的网络类型的代表。此外，这里的模式识别问题也提供了本书解决问题的一般思路。
本书主要专注于训练神经网络完成各种任务的方法。在第4章中，我们介绍学习算法并给出第一个实际算法：感知机学习规则。感知机网络虽然有其本质的局限性，但却具有重要的历史意义，并且可作为一个有用的工具来引入后面章节中强大神经网络的关键概念。
本书的主要目的之一是阐述神经网络的工作原理。为此，我们将神经网络的内容和一些重要的辅助材料组织在一起。例如，在第5、6章中提供了线性代数的相关材料，这是理解神经网络所需的核心数学知识。这两章讨论的概念将广泛用于本书后面章节。
第7章和第15章阐述主要受生物学和心理学启发的神经网络及其学习规则。它们分为两类：联想网络和竞争网络。联想网络安排在第7章，而竞争网络安排在第15章。
第8～14章以及第16章论述一类称为性能学习的方法，该方法用于训练网络以优化其性能。第8、9章介绍性能学习的基本概念。第10～13章中将这些概念用于逐步强大和复杂的前馈神经网络。第14章将这些概念用于动态神经网络。在第16章中，这些概念则被用于径向基神经网络，这类网络也用到了来自竞争学习的概念。
第17～22章和前面的章节不同。前面的章节主要关注每种网络的基础理论和相应的学习规则，要点是理解核心概念。在第17～22章中，我们讨论神经网络在实际应用中的具体问题。第17章阐述许多实际的训练技巧，第18～22章给出一系列实例研究，这些实例包括将神经网络用于函数逼近、概率估计、模式识别、聚类和预测。
软件MATLAB软件并非是使用本书所必需的，上机练习可以用任何编程语言来完成。另外，本书提供的神经网络设计演示（Neural Network Design Demonstrations）程序虽然有助于理解书中内容，但非关键所在。
不过，我们还是采用MATLAB软件包来提供本书的辅助材料。该软件使用广泛，而且由于它的矩阵/向量表示法和图形化显示，为神经网络实验提供了方便的环境。我们用两种不同的方法使用MATLAB。第一种，我们为读者准备了一些用MATLAB去完成的练习。神经网络的一些重要特性仅在大型问题中才能体现出来，这需要大量计算，不适合手工演算。利用MATLAB可以快速实现神经网络算法，也可以方便地测试大型问题。（如果没有MATLAB软件，可以使用任何其他编程语言来完成这些练习。）第二种使用MATLAB的方法是利用Neural Network Design Demonstrations软件，你可以从网站hagan.okstate.edu/nnd.html下载它。这些交互式的演示程序解释了每章中的重要概念。把这个软件加载到你计算机的MATLAB目录下之后（或者放在MATLAB路径上），就可在MATLAB提示符下通过输入nnd命令进

《深入浅出：智能系统构建与优化》 在信息爆炸的时代，如何从海量数据中提炼有价值的洞察，并将其转化为驱动智能系统的核心动力，是当下亟需解决的关键问题。本书旨在为读者提供一套系统性的框架，帮助理解并构建能够自主学习、决策与优化的智能系统。我们不聚焦于单一的算法模型，而是着眼于整个智能系统的设计、实现与迭代过程，从底层原理到实际应用，层层递进，力求让读者不仅知其然，更能知其所以然。 第一部分：智能系统的基石——数据与模型 万丈高楼平地起，智能系统的构建同样离不开坚实的基础。在这一部分，我们将深入探讨构成智能系统的两个核心要素：数据和模型。 数据的力量：采集、预处理与特征工程 任何智能系统的生命力都源于数据。本书将详细介绍数据采集的策略与方法，涵盖从传感器、网络爬虫到数据库的各种数据源。更重要的是，我们会重点讲解数据的预处理技术，包括数据清洗（缺失值、异常值处理）、数据标准化与归一化，以及数据增强等，确保数据的质量与可用性。在此基础上，我们将引入特征工程的理念，讲解如何从原始数据中提取、构造出更具信息量的特征，这是提升模型性能的关键一步。我们将通过生动的案例，展示不同领域的数据特征提取技巧，例如图像的纹理特征、文本的语义特征以及序列数据的时序特征等。 模型的选择与构建：理解不同类型模型的工作原理 模型是智能系统的大脑，负责从数据中学习模式并做出预测或决策。本书不会局限于介绍某一种模型，而是会系统性地梳理和讲解各类主流模型的理论基础和适用场景。我们将从基础的统计学习模型入手，如线性回归、逻辑回归，帮助读者理解模型拟合的本质。随后，我们会深入探讨更复杂的模型，包括但不限于： 决策树与集成方法： 讲解决策树的生成原理、剪枝策略，以及如何通过随机森林、梯度提升等集成技术，有效提升模型的泛化能力和鲁棒性。 支持向量机： 深入剖析最大间隔分类的原理，以及核函数的妙用，使其能够处理非线性可分问题。 概率图模型： 介绍贝叶斯网络和马尔可夫随机场，理解它们在表示变量之间概率关系上的优势。 序列模型： 重点讲解循环神经网络（RNN）及其变种（LSTM、GRU），以及注意力机制的引入，使其在处理时序数据和自然语言处理任务中表现卓越。 卷积模型： 详解卷积神经网络（CNN）在图像识别、目标检测等领域的强大能力，以及其核心的卷积层、池化层和全连接层的设计理念。 生成模型： 探索变分自编码器（VAE）和生成对抗网络（GAN），理解它们如何生成逼真的新数据。 在介绍每种模型时，我们都会强调其内在的数学原理，以及在实际应用中需要关注的超参数和调优技巧。 第二部分：智能系统的实现与优化——从训练到部署 拥有了数据和模型，如何将它们有效地结合起来，并使其在实际应用中发挥最佳性能，是本书第二部分的重点。 模型的训练与评估：迭代优化，精益求精 模型的学习过程是通过优化算法来实现的。本书将详细介绍各种梯度下降算法（SGD、Adam、RMSprop等）的工作原理，以及损失函数的设计原则。我们还会深入探讨模型评估的各个方面，包括但不限于： 评估指标： 讲解精确率、召回率、F1分数、AUC、RMSE等常用指标的含义和适用场景。 交叉验证： 介绍K折交叉验证等技术，确保模型评估的可靠性。 过拟合与欠拟合： 深入分析导致过拟合和欠拟合的原因，并提供有效的解决方案，如正则化（L1、L2）、早停法、Dropout等。 超参数调优： 讲解网格搜索、随机搜索、贝叶斯优化等超参数调优策略，帮助读者找到最优的模型配置。 模型部署与集成：让智能走向应用 训练好的模型需要被部署到实际环境中才能产生价值。本部分将讨论模型部署的挑战与策略，包括： 性能优化： 讲解模型压缩、量化、剪枝等技术，以适应资源受限的环境。 部署框架： 介绍TensorFlow Serving、PyTorch Serve、ONNX Runtime等主流的部署工具。 系统集成： 探讨如何将训练好的模型集成到现有的软件系统、Web应用或移动端，实现端到端的智能解决方案。 实时性与可扩展性： 关注模型在实际应用中的延迟和吞吐量要求，并讨论如何构建可扩展的推理服务。 第三部分：智能系统的进阶与未来——探索前沿与伦理 智能技术的边界仍在不断拓展，本书将引领读者展望智能系统的未来发展，并关注与之相关的伦理挑战。 前沿技术探索： 我们将对当前智能领域的热点技术进行初步介绍，例如： 强化学习： 讲解其在决策、控制等领域的应用，如游戏AI、机器人控制等。 迁移学习与元学习： 探讨如何利用已有知识加速新任务的学习。 图神经网络（GNN）： 介绍其在处理图结构数据方面的优势，如社交网络分析、分子性质预测等。 多模态学习： 探讨如何融合文本、图像、音频等多种信息源，构建更全面的智能系统。 智能系统的伦理与安全： 随着智能系统能力的增强，其潜在的风险和伦理问题也日益凸显。本书将引导读者思考： 公平性与偏见： 如何识别和消除数据与模型中的偏见，确保智能系统的公平性。 可解释性： 探索模型的可解释性技术，理解模型做出决策的原因。 隐私保护： 讨论在数据使用和模型训练过程中如何保护用户隐私。 安全性： 关注对抗性攻击等安全问题，以及如何提高智能系统的鲁棒性。 本书特色： 理论与实践并重： 深入讲解原理的同时，配以大量实际案例和代码片段（示例语言为Python，并广泛使用Scikit-learn, TensorFlow, PyTorch等库），帮助读者动手实践。 体系化构建： 提供从数据准备到模型部署的完整流程，帮助读者构建端到端的智能系统。 前瞻性视角： 关注智能技术的发展趋势，为读者指明学习方向。 面向广泛读者： 无论您是计算机科学专业的学生、研究人员，还是希望将智能技术应用于实际业务的工程师或产品经理，本书都能为您提供有价值的指导。 《深入浅出：智能系统构建与优化》将成为您探索智能世界、打造强大智能系统的得力助手。

评分☆☆☆☆☆

这本书给我最大的惊喜在于其系统性。它不是零散地介绍各种神经网络模型，而是构建了一个完整的知识体系。从最基础的前馈神经网络，到卷积神经网络、循环神经网络，再到更高级的注意力机制和生成对抗网络，每一个部分都承接上文，环环相扣。作者在介绍每种网络结构时，都会深入剖析其背后的原理，例如卷积神经网络是如何通过卷积核提取特征，池化层又是如何实现降维和鲁棒性的，循环神经网络又是如何处理序列信息的。这让我不再是知其然而不知其所以然，而是能够真正理解每一种网络设计的“为什么”和“如何做”，为我后续的学习和应用打下了坚实的基础。

评分☆☆☆☆☆

我曾尝试过很多关于机器学习的入门书籍，但很多都流于表面，或者过于理论化，导致学习过程枯燥乏味。而《神经网络设计（原书第2版）》的独特之处在于，它将理论与实践紧密结合。作者在讲解每个概念后，都会附带相关的代码示例，虽然我还没有完全跟着敲一遍，但光是阅读这些代码，就能让我对理论知识有更直观的理解。我特别期待尝试书中关于图像识别和自然语言处理的案例，相信通过实践，我能够更深刻地体会到神经网络的强大之处。

评分☆☆☆☆☆

这本书给我带来的另一个重要启发是关于模型评估和调优的理念。在实际应用中，仅仅构建一个模型是远远不够的，如何评估模型的性能，如何发现模型的不足，以及如何有效地进行调优，这些都是至关重要的环节。《神经网络设计（原书第2版）》在这方面提供了非常详尽的指导，从各种评价指标的介绍，到正则化、早停等防止过拟合的技术，再到超参数搜索的策略，都为我指明了方向。

评分☆☆☆☆☆

作为一名对深度学习充满好奇的读者，这本书无疑是一份宝贵的财富。它不仅为我提供了扎实的理论基础，更重要的是，它激发了我不断探索和实践的动力。我开始思考如何将书中学的知识应用到我自己的项目上，如何解决实际问题，如何创造出更有价值的应用。

评分☆☆☆☆☆

这本书给我最大的感受是，它不仅仅是一本“怎么做”的书，更是一本“为什么这么做”的书。作者在讲解每一种算法或技术时，都会追溯其产生的背景和解决的问题，这使得我在学习过程中，能够建立起更加宏观的认识，理解不同模型之间的联系和演进。

评分☆☆☆☆☆

不得不说，这本书的深度是令人印象深刻的。它并没有回避那些复杂而精妙的数学推导，而是以一种严谨但不失可读性的方式呈现出来。我需要反复研读那些关于梯度下降、反向传播算法的章节，每一次阅读都会有新的领悟。作者并没有将数学作为一种障碍，而是将其视为理解神经网络工作机制的基石，通过对这些数学原理的深入理解，我能够更清晰地把握模型训练的过程，以及如何优化模型性能。

评分☆☆☆☆☆

我强烈推荐这本书给所有对神经网络和深度学习感兴趣的朋友。无论你是初学者，还是已经有一定基础的从业者，都能在这本书中找到属于自己的收获。它就像一本百科全书，内容丰富，讲解透彻，是构建坚实神经网络知识体系的绝佳选择。

评分☆☆☆☆☆

《神经网络设计（原书第2版）》在语言风格上，我认为是比较独特的。作者在讲解一些复杂概念时，会穿插一些幽默的语言和生动的比喻，这极大地缓解了阅读的疲劳感，也让抽象的知识变得更加鲜活。例如，在解释损失函数时，作者用了一个“猜错奖励”的比喻，让我瞬间就理解了损失函数在模型训练中的作用。

评分☆☆☆☆☆

我特别欣赏作者在书中对于“黑箱”问题的探讨。神经网络之所以常常被形容为“黑箱”，是因为我们很难完全理解其内部决策过程。然而，这本书并没有止步于此，而是引入了一些关于可解释性AI的概念，虽然这部分内容还比较前沿，但作者的尝试让我看到了未来研究的方向。理解模型的决策过程，对于构建更可靠、更可信的人工智能系统至关重要。

评分☆☆☆☆☆

终于下定决心，把《神经网络设计（原书第2版）》搬回了家，这本书在我书架上静静地躺了几个月，每次翻开都觉得内容量巨大，充满了敬畏。这不仅仅是一本技术手册，更像是一位经验丰富的导师，用一种深入浅出、循序渐进的方式，引领我踏入神经网络的奇妙世界。我尤其喜欢作者对于基本概念的阐述，他并没有急于抛出复杂的数学公式，而是从直观的比喻和实际的例子出发，比如将神经元比作一个简单的决策单元，输入信号的权重比作影响决策的因素，激活函数则像是一个“阈值”，只有达到一定程度才能“触发”输出。这种方式极大地降低了初学者的门槛，让我能够更加轻松地理解这些抽象的概念。

评分☆☆☆☆☆

爱不释手，

评分☆☆☆☆☆

真是不错的商品，我跟满意，用的不错，感觉适合

评分☆☆☆☆☆

还不错！包装也挺好

评分☆☆☆☆☆

人丑就要多读书，多读书，多读书，一定要多读书。

评分☆☆☆☆☆

真是不错的商品，我跟满意，用的不错，感觉适合

评分☆☆☆☆☆

神经网络是目前机器学习的重要算法，正在自学！推荐！

评分☆☆☆☆☆

神经网络比较优秀的著作，作者很权威，翻译很流畅，物流相对较快。

评分☆☆☆☆☆

书的包装很好，绝对正版，希望能有帮助

评分☆☆☆☆☆

书的包装很好，绝对正版，希望能有帮助