神经网络入门经典书籍,人工神经网络书籍推荐

能推荐几本学习人工神经网络的经典教材吗？

。

《模式识别与机器学习》[加]SimonHaykin《神经网络与模式识别》[加]SimonHaykin（原《神经网络原理》）《模式分类》RichardO.Duda/PeterE.Hart/DavidG.Stork《机器学习》(美)TomMitchell这几本是写的最好的。

如果你想要更容易一点，推荐看斯坦福的机器学习公开课。注：前身课程需要《概率论》《高等数学》，先复习为好。最好再读一读测度和高概。

谷歌人工智能写作项目：神经网络伪原创

有没有好理解的关于神经网络的书推荐

写作猫。

如果你有通信电子背景，SimonHaykin的NeuralNetworksandLearningMachines绝对值得一读，这本书从维纳滤波、卡尔曼滤波讲到神经网络，涵盖了所有主流的机器学习方法（SVM、PCA/ICA、RBF，SOM都是神经网络，好吧），对于人类故意创造的数据（雷达、电报），这些算法够了，但大数据不是人类故意产生的，你还需要学习基于统计的方法（按照马毅的说法，五六十年前不被重视的算法现在反而吃香，那时大家关注的都是香农、维纳等大V们，统计学家是靠转发这些大V拉粉丝的，偶尔也会怀念Bayesian）。

如果你有统计数学背景，并且认为hinton的dbn能代表神经网络的话（我反对，神经网络的world太bigger了），推荐先把李航老师的《统计学习方法》看完，然后直接读Hinton那一帮人的paper。

如果GMM，HMM，GHMM，boltzmann，SparseCoding看不懂，就读源代码吧，别哭肯定是matlab用的神经网络设计了，通俗易懂，很多实例！！

戴葵翻译的美国经典神经网络《神经网络设计》

神经网络哪本书好 10

神经网络的相关书籍

。

书名：《神经网络》作　者：侯媛彬，杜京义，汪梅　编著出版社：西安电子科技大学出版社出版时间：2007-8-1字　数：339000版　次：1页　数：223ISBN：呵呵26分类：图书>>计算机/网络>>人工智能定价：￥26.00。

请问学bp神经网络哪本书比较好

我研究生3年学的都是这个玩意，你是本科生吧，给你推荐一本书，我和我的同学都觉得这本书非常宝贝！西安电子科技大学出版的一本关于神经网络的书，定价是20元，至少3年前的版本是20元。

蓝紫色皮，那本书非常好，不过是关于matlab编程神经网络的，但是大同小异吧，入门看非常合适，深入浅出！我最近太忙，有空可以帮你搜搜具体的名字，不是很好买到，你在北京的话去西单图书大厦就能买到。

新手学习matlab神经网络用哪本书合适啊

《MATLAB神经网络30个案例分析》这本不错，matlab中文论坛编的这是介绍：本书是MATLAB中文论坛神经网络版块数千个帖子的总结，充分强调“案例实用性、程序可模仿性”。

所有案例均来自于论坛会员的切身需求，保证每一个案例都与实际课题相结合。读者调用案例的时候，只要把案例中的数据换成自己需要处理的数据，即可实现自己想要的网络。望采纳。

沟通书籍排行榜前十名

沟通书籍排行榜前十名之一：《沟通与说服必读12篇》12Reads的书质量都没得说，这本《沟通与说服必读12篇》同样也不例外。注意，这本书和本书单其他沟通类书籍不同，仅能从其官网获得。

这是小编最喜欢的一本沟通类书籍，非常实战，可以快速帮助读者提升沟通能力，放在榜首推荐一点也不为过。

管理者和经理人大部分的工作都需要「说话」：可能是讨论，可能是会议，可能是简报，也可能是谈判，抑或是与同僚、部属及上司建立人际连接。沟通能力的重要性不言而喻。

经由沟通与表达，经理人得以评估部属、客户与对手，同样地，对方也经由这样的方式，来判断他是什么样的人。

在全球化的时代，经理人必须比以往更擅长解读不同的语言风格，掌握能与他人建立真情联系的沟通技巧并更能灵活调整自己的说话方式。

沟通书籍排行榜前十名之二：《影响力》政治家运用影响力来赢得选举，商人运用影响力来兜售商品，推销员运用影响力诱惑你乖乖地把金钱捧上。即使你的朋友和家人，不知不觉之间，也会把影响力用到你的身上。

但到底是为什么，当一个要求用不同的方式提出来时，你的反应就会从负面抵抗变成积极合作呢？在这本书中，心理学家罗伯特·B·西奥迪尼博士为我们解释了为什么有些人极具说服力，而我们总是容易上当受骗。

隐藏在冲动地顺从他人行为背后的6大心理秘笈，正是这一切的根源。那些劝说高手们，总是熟练地运用它们，让我们就范。沟通书籍排行榜前十名之三：《思考，快与慢》人类究竟有多理性？

——思考，快与慢在书中，卡尼曼会带领我们体验一次思维的终极之旅。他认为，我们的大脑有快与慢两种作决定的方式。

常用的无意识的“系统1”依赖情感、记忆和经验迅速作出判断，它见闻广博，使我们能够迅速对眼前的情况作出反应。

但系统1也很容易上当，它固守“眼见即为事实”的原则，任由损失厌恶和乐观偏见之类的错觉引导我们作出错误的选择。

有意识的“系统2”通过调动注意力来分析和解决问...沟通书籍排行榜前十名之四：《会说话的人，人生都不会太差》梁实秋总是以平和豁达的心境，饶有兴致地感受丰富有趣的生活，品尝着人生无穷的况味，做着愉快的文章，其幽默、文雅、犀利、宽容的语言，不仅沟通了人们的心灵，而且反映出超凡脱俗的思想情操和文化修养，令人易生亲切、有趣之感。

人际交往中的诸多微妙尽显笔端，几十年的人生经验倾囊相授，很多方面需要我们慢慢斟酌。只有学会游刃有余的说话，才能处理好各种人际关系，为人生增添些许惬意。

沟通书籍排行榜前十名之五：《情商必读12篇》在决定卓越领导力的所有素质中，情商的重要性，是其他能力的两倍。并且，情商不仅只对领导者有决定性的影响，对各个层级、各类职务的人而言，情商的重要性都无与伦比。

作为领导自我、领导部属、领导团队、领导组织必备的软实力，高情商帮助你的事业跨越障碍。要成为卓越领导人，不只要才智出众，更要有「情商」！

不管你再优秀、多能干，都只是具备了基本条件，而《情商必读12篇》将会是你纵横职场的必胜利器。

沟通书籍排行榜前十名之六：《高效演讲：斯坦福最受欢迎的沟通课》无论从事什么工作，无论在学习还是工作中，你都可能会在会议室对同事、客户讲话，也可能会在大礼堂对着几百人演讲。

这样的场合，你能否抓住机会，通过演讲一举赢得支持实现梦想。当今社会，演讲已成为每个人都无法逃避的课程。通过本书，你将学到高效演讲领域最前沿的研究成果。

只要运用得当，你也可以高效演讲，抓住每个讲话的机会展现自我，让成功的可能性无限增大。

沟通书籍排行榜前十名之七：《沟通的艺术：看入人里，看出人外》如何认识你自己与沟通对象?如何衡定话题的广度与深度?如何清晰地表达语言信息却不会唤起对方的防卫?如何借助表情、手势和动作让自己更有说服力?《沟通的艺术》分为“看入人里”、“看出人外”和“看人之间”三个部分7大专栏、超过100篇文章，让你可以轻松学习和应用书中的沟通技巧。

新增超过50部热门美剧、电影和真人秀的分析，让你可以轻松印证作者在每一章总结的沟通准则，增加阅读的趣味性。

沟通书籍排行榜前十名之八：《优势谈判》海湾战争期间，他因单枪匹马、没花一分赎金从萨达姆手中救回美国人质而声名远扬。

在《华盛顿邮报》看来，他是白宫红人，疯狂“谋杀”记者的胶卷，并常年周旋于白宫、参议院、耶路撒冷、巴尔干等国际政治的旋涡中心！他还是为数不多可自由出入白宫的内阁高参！

过去40年，他在全球举办演讲及研讨会不下千场，足迹遍及英、法、俄、中、日等130多个国家。他曾多次来到中国，其所到之处，都会刮起一阵“罗杰旋风”。

沟通书籍排行榜前十名之九：《关键对话：如何高效能沟通》科里·帕特森（KerryPatterson）著有三部获奖培训作品，曾负责过多个长期行为变化调查研究项目。

2004年，科里获得杨百翰大学马里奥特管理学院迪尔奖，以表彰他在组织行为领域的杰出贡献。科里在斯坦福大学从事组织行为方面的博士研究工作。

约瑟夫·格雷尼（JosephGrenny）是一位知名主题演讲师，也是在企业变革研究领域从业20多年的资深顾问。

此外，他还是非营利组织Unitus的共同创始人，该组织致力于帮助世界贫困人口实现经济自立的目标。沟通书籍排行榜前十名之十：《别独自用餐》没有厚黑，没有算计，整本书全是实用的社交技巧。

本书提出了让人终身受益的社交法则，这些法则将改变人们思考人脉的固有方式，通过持续地改变生活中看似不经意的行为，从而获得更有价值的人脉关系。

人工智能有什么好的参考书么？

。

PeterNorvig的《AI,ModernApproach2nd》（无争议的领域经典）Bishop,《PatternRecognitionandMachineLearning》.没有影印的，但是网上能下到。

经典中的经典。PatternClassification和这本书是两本必读之书。

《PatternRecognitionandMachineLearning》是很新（07年），深入浅出，手不释卷。

推荐两本有意思的书，一本是《SimpleHeuristicsthatMakesUsSmart》另一本是《BoundedRationality:TheAdaptiveToolbox》---------------------------------------------------------------------机器学习与人工智能学习资源导引我经常在TopLanguage讨论组上推荐一些书籍，也经常问里面的牛人们搜罗一些有关的资料，人工智能、机器学习、自然语言处理、知识发现（特别地，数据挖掘）、信息检索这些无疑是CS领域最好玩的分支了（也是互相紧密联系的），这里将最近有关机器学习和人工智能相关的一些学习资源归一个类：首先是两个非常棒的Wikipedia条目，我也算是wikipedia的重度用户了，学习一门东西的时候常常发现是始于wikipedia中间经过若干次google，然后止于某一本或几本著作。

第一个是“人工智能的历史”（HistoryofArtificialIntelligence），我在讨论组上写道：而今天看到的这篇文章是我在wikipedia浏览至今觉得最好的。

文章名为《人工智能的历史》，顺着AI发展时间线娓娓道来，中间穿插无数牛人故事，且一波三折大气磅礴，可谓"事实比想象更令人惊讶"。

人工智能始于哲学思辨，中间经历了一个没有心理学（尤其是认知神经科学的）的帮助的阶段，仅通过牛人对人类思维的外在表现的归纳、内省，以及数学工具进行探索，其间最令人激动的是HerbertSimon（决策理论之父，诺奖，跨领域牛人）写的一个自动证明机，证明了罗素的数学原理中的二十几个定理，其中有一个定理比原书中的还要优雅，Simon的程序用的是启发式搜索，因为公理系统中的证明可以简化为从条件到结论的树状搜索（但由于组合爆炸，所以必须使用启发式剪枝）。

后来Simon又写了GPS（GeneralProblemSolver），据说能解决一些能良好形式化的问题，如汉诺塔。

但说到底Simon的研究毕竟只触及了人类思维的一个很小很小的方面——FormalLogic，甚至更狭义一点DeductiveReasoning（即不包含InductiveReasoning,TransductiveReasoning(俗称analogicthinking）。

还有诸多比如CommonSense、Vision、尤其是最为复杂的Language、Consciousness都还谜团未解。

还有一个比较有趣的就是有人认为AI问题必须要以一个物理的Body为支撑，一个能够感受这个世界的物理规则的身体本身就是一个强大的信息来源，基于这个信息来源，人类能够自身与时俱进地总结所谓的Common-SenseKnowledge（这个就是所谓的EmboddiedMind理论。

），否则像一些老兄直接手动构建Common-SenseKnowledgeBase，就很傻很天真了，须知人根据感知系统从自然界获取知识是一个动态的自动更新的系统，而手动构建常识库则无异于古老的ExpertSystem的做法。

当然，以上只总结了很小一部分我个人觉得比较有趣或新颖的，每个人看到的有趣的地方不一样，比如里面相当详细地介绍了神经网络理论的兴衰。所以我强烈建议你看自己一遍，别忘了里面链接到其他地方的链接。

顺便一说，徐宥同学打算找时间把这个条目翻译出来，这是一个相当长的条目，看不动E文的等着看翻译吧:)第二个则是“人工智能”（ArtificialIntelligence）。当然，还有机器学习等等。

从这些条目出发能够找到许多非常有用和靠谱的深入参考资料。

然后是一些书籍书籍：1.《ProgrammingCollectiveIntelligence》，近年出的入门好书，培养兴趣是最重要的一环，一上来看大部头很容易被吓走的:P2.PeterNorvig的《AI,ModernApproach2nd》（无争议的领域经典）。

3.《TheElementsofStatisticalLearning》，数学性比较强，可以做参考了。

4.《FoundationsofStatisticalNaturalLanguageProcessing》，自然语言处理领域公认经典。

5.《DataMining,ConceptsandTechniques》，华裔科学家写的书，相当深入浅出。6.《ManagingGigabytes》，信息检索好书。

7.《InformationTheory：InferenceandLearningAlgorithms》，参考书吧，比较深。

相关数学基础（参考书，不适合拿来通读）：1.线性代数：这个参考书就不列了，很多。2.矩阵数学：《矩阵分析》，RogerHorn。矩阵分析领域无争议的经典。

3.概率论与统计：《概率论及其应用》，威廉·费勒。也是极牛的书，可数学味道太重，不适合做机器学习的。

于是讨论组里的DuLei同学推荐了《AllOfStatistics》并说到机器学习这个方向，统计学也一样非常重要。

推荐Allofstatistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与MachineLearning无关的概念和统计内容，可以说是很好的快速入门材料。

4.最优化方法：《NonlinearProgramming,2nd》非线性规划的参考书。《ConvexOptimization》凸优化的参考书。

此外还有一些书可以参考wikipedia上的最优化方法条目。要深入理解机器学习方法的技术细节很多时候（如SVM）需要最优化方法作为铺垫。

王宁同学推荐了好几本书：《MachineLearning,TomMichell》,1997.老书，牛人。

现在看来内容并不算深，很多章节有点到为止的感觉，但是很适合新手（当然，不能"新"到连算法和概率都不知道）入门。比如决策树部分就很精彩，并且这几年没有特别大的进展，所以并不过时。

另外，这本书算是对97年前数十年机器学习工作的大综述，参考文献列表极有价值。国内有翻译和影印版，不知道绝版否。

《ModernInformationRetrieval,RicardoBaeza-Yatesetal》.1999老书，牛人。貌似第一本完整讲述IR的书。

可惜IR这些年进展迅猛，这本书略有些过时了。翻翻做参考还是不错的。另外，Ricardo同学现在是YahooResearchforEuropeandLatinAmeria的头头。

《PatternClassification(2ed)》,RichardO.Duda,PeterE.Hart,DavidG.Stork大约也是01年左右的大块头，有影印版，彩色。

没读完，但如果想深入学习ML和IR，前三章（介绍，贝叶斯学习，线性分类器）必修。还有些经典与我只有一面之缘，没有资格评价。

另外还有两本小册子，论文集性质的，倒是讲到了了不少前沿和细节，诸如索引如何压缩之类。可惜忘了名字，又被我压在箱底，下次搬家前怕是难见天日了。

（呵呵，想起来一本：《MiningtheWeb-DiscoveringKnowledgefromHypertextData》）说一本名气很大的书：《DataMining:PracticalMachineLearningToolsandTechniques》。

Weka的作者写的。可惜内容一般。理论部分太单薄，而实践部分也很脱离实际。DM的入门书已经不少，这一本应该可以不看了。如果要学习了解Weka，看文档就好。第二版已经出了，没读过，不清楚。

信息检索方面，DuLei同学再次推荐：信息检索方面的书现在建议看Stanford的那本《IntroductiontoInformationRetrieval》，这书刚刚正式出版，内容当然uptodate。

另外信息检索第一大牛Croft老爷也正在写教科书，应该很快就要面世了。据说是非常pratical的一本书。

对信息检索有兴趣的同学，强烈推荐翟成祥博士在北大的暑期学校课程，这里有全slides和阅读材料：maximzhao同学推荐了一本机器学习：加一本书：Bishop,《PatternRecognitionandMachineLearning》.没有影印的，但是网上能下到。

经典中的经典。PatternClassification和这本书是两本必读之书。

《PatternRecognitionandMachineLearning》是很新（07年），深入浅出，手不释卷。

最后，关于人工智能方面（特别地，决策与判断），再推荐两本有意思的书，一本是《SimpleHeuristicsthatMakesUsSmart》另一本是《BoundedRationality:TheAdaptiveToolbox》不同于计算机学界所采用的统计机器学习方法，这两本书更多地着眼于人类实际上所采用的认知方式，以下是我在讨论组上写的简介：这两本都是德国ABC研究小组（一个由计算机科学家、认知科学家、神经科学家、经济学家、数学家、统计学家等组成的跨学科研究团体）集体写的，都是引起领域内广泛关注的书，尤其是前一本，后一本则是对HerbertSimon（决策科学之父，诺奖获得者）提出的人类理性模型的扩充研究），可以说是把什么是真正的人类智能这个问题提上了台面。

核心思想是，我们的大脑根本不能做大量的统计计算，使用fancy的数学手法去解释和预测这个世界，而是通过简单而鲁棒的启发法来面对不确定的世界（比如第一本书中提到的两个后来非常著名的启发法：再认启发法（cognitionheuristics）和选择最佳（TaketheBest）。

当然，这两本书并没有排斥统计方法就是了，数据量大的时候统计优势就出来了，而数据量小的时候统计方法就变得非常糟糕；人类简单的启发法则充分利用生态环境中的规律性（regularities），都做到计算复杂性小且鲁棒。

关于第二本书的简介：1.谁是HerbertSimon2.什么是BoundedRationality3.这本书讲啥的：我一直觉得人类的决策与判断是一个非常迷人的问题。

这本书简单地说可以看作是《决策与判断》的更全面更理论的版本。

系统且理论化地介绍人类决策与判断过程中的各种启发式方法（heuristics）及其利弊（为什么他们是最优化方法在信息不足情况下的快捷且鲁棒的逼近，以及为什么在一些情况下会带来糟糕的后果等，比如学过机器学习的都知道朴素贝叶斯方法在许多情况下往往并不比贝叶斯网络效果差，而且还速度快；比如多项式插值的维数越高越容易overfit，而基于低阶多项式的分段样条插值却被证明是一个非常鲁棒的方案）。

在此提一个书中提到的例子，非常有意思：两个团队被派去设计一个能够在场上接住抛过来的棒球的机器人。

第一组做了详细的数学分析，建立了一个相当复杂的抛物线近似模型（因为还要考虑空气阻力之类的原因，所以并非严格抛物线），用于计算球的落点，以便正确地接到球。

显然这个方案耗资巨大，而且实际运算也需要时间，大家都知道生物的神经网络中生物电流传输只有百米每秒之内，所以computationalcomplexity对于生物来说是个宝贵资源，所以这个方案虽然可行，但不够好。

第二组则采访了真正的运动员，听取他们总结自己到底是如何接球的感受，然后他们做了这样一个机器人：这个机器人在球抛出的一开始一半路程啥也不做，等到比较近了才开始跑动，并在跑动中一直保持眼睛于球之间的视角不变，后者就保证了机器人的跑动路线一定会和球的轨迹有交点；整个过程中这个机器人只做非常粗糙的轨迹估算。

体会一下你接球的时候是不是眼睛一直都盯着球，然后根据视线角度来调整跑动方向？实际上人类就是这么干的，这就是heuristics的力量。

相对于偏向于心理学以及科普的《决策与判断》来说，这本书的理论性更强，引用文献也很多而经典，而且与人工智能和机器学习都有交叉，里面也有不少数学内容，全书由十几个章节构成，每个章节都是由不同的作者写的，类似于paper一样的，很严谨，也没啥废话，跟《PsychologyofProblemSolving》类似。

比较适合geeks阅读哈。另外，对理论的技术细节看不下去的也建议看看《决策与判断》这类书（以及像《别做正常的傻瓜》这样的傻瓜科普读本），对自己在生活中做决策有莫大的好处。

人类决策与判断中使用了很多的heuristics，很不幸的是，其中许多都是在适应几十万年前的社会环境中建立起来的，并不适合于现代社会，所以了解这些思维中的缺点、盲点，对自己成为一个良好的决策者有很大的好处，而且这本身也是一个非常有趣的领域。

（完）