神经网络与机器学习（原书第3版）

翻开这本书之前，你或许以为自己在学神经网络；读完第一章之后，你大概会意识到自己其实在学数学。多位读者的真实反馈高度一致：这本被奉为经典的教材，对数学的要求近乎"变态"——矩阵论、泛函分析、动态系统不是点缀，而是贯穿全书的语言。它不教你"怎么用"，而是逼你理解"为什么"：感知器收敛、LMS的统计偏差、正则化的本质，每一节都把工程问题还原成严格的推导。正因如此，它适合愿意啃理论、想弄清机器学习底层逻辑的读者；而对只求速成、打算转行做算法的人，它很可能让你提前认清自己与数学的距离。翻译质量是另一大争议点，机翻痕迹明显，阅读时需格外留意。它不是入门手册，而是一座需要耐心攀爬的理论山峰。

Simon Haykin 于1953年获得英国伯明翰大学博士学位，目前为加拿大McMaster大学电子与计算机工程系教授、通信研究实验室主任。他是国际电子电气工程界的著名学者，曾获得IEEE McNaughton金奖。他是加拿大皇家学会院士、IEEE会士，在神经网络、通信、自适应滤波器等领域成果颇丰，著有多部标准教材。 本书是关于神经网络的全面的、彻底的、可读性很强的、最新的论述。全书共15章，主要内容包括Rosenblatt感知器、通过回归建立模型、最小均方算法、多层感知器、核方法和径向基函数网络、支持向量机、正则化理论、主分量分析、自组织映射、信息论学习模型、动态规划、神经动力学、动态系统状态估计的贝叶斯滤波等。 本书适合作为高等院校计算机相关专业研究生及本科生的教材，也可供相关领域的工程技术人员参考。