1. 搭建你自己的神經網路（make your own neural network）
**：45 美元
一步步讓你了解神經網路的數學原理並用 python 搭建自己的神經網路。神經網路是深度學習和人工智慧的關鍵元素。然而，幾乎很少有人真正了解神經網路如何運作。本書從非常簡單的思想開始，讓你在趣味和從容不迫中，逐漸了解神經網路的運作原理。
2. 神經網路設計（第二版）（neural network design 2nd edition)
**：28 美元
本書作者著有 neural network toolbox for matlab 一書。本書清楚詳細介紹了基本神經網路結構和學習規則。其中，作者條理清楚地介紹了主要的神經網路、訓練方法以及如何用來解決實際問題。廣泛介紹了前饋網路（包括多層和徑向基網路）和迴圈網路的訓練方法是本書的一大特點。
3. 用於模式識別的神經網路（計量經濟學高階教程）（neural networks for pattern recognition advanced texts in econometrics）
**：58 美元
本書首次從統計模式識別角度全面介紹了前饋神經網路。在引介基本概念後，作者檢視了概率密度函式的建模技巧以及多層感知機以及徑向基函式網路模型的特性和優點。本書也介紹了各種不同形式的誤差函式、誤差函式極小化主要演算法，神經網路的學習和泛化以及貝葉斯技巧及其應用。
4. 神經網路：乙個綜合性基礎（第二版）（neural networks: a comprehensive foundation (2nd edition)
**：48 美元
面向計算機工程、電子工程以及電腦科學專業研究生的神經網路課程，全面、易讀、結構合理，全面更新的教程仍然是工程學視角下、最全面的神經網路介紹，本書已全面修訂。
5. 深度學習基礎：設計下一代機器智慧型的演算法（fundamentals of deep learning: designing next-generation machine intelligence algorithms）
**：33 美元
隨著神經網路在 21 世紀的振興，深度學習已經成為乙個極其活躍的研究領域，它正在為現代機器學習鋪平道路。本書使用例項和論證說明幫助你理解這個複雜領域內的主要概念。掌握深度學習仍然是很複雜與困難的，不過如果你對機器學習有基本的理解，對 python 程式語言比較熟悉，還能有一點微積分的數學背景，那麼這本書將能很好地幫助你學習深度學習。
6. 深度學習：自適應計算和機器學習系列（deep learning (adaptive computation and machine learning series)）
**：69 美元
7. 神經鍛造：前饋人工神經網路中的監督學習（neural smithing: supervised learning in feedforward artificial neural networks）
**：63 美元
人工智慧神經網路是非線形對映系統，它的結構簡要的基於對人與動物大腦神經系統的觀察。基礎思路是簡單單元的大規模系統以能生成許多複雜、有趣的行為的方式連線到一起。該書注重在前饋人工神經網路的乙個子集，也就是多層感知器（mlp）。這是最普遍使用的神經網路，被應用於金融（**）、製造業（流程控制）和科學（語音和影象識別）等多個領域。
8. 人工神經網路基礎（fundamentals of artificial neural networks）
**：45 美元
作為 ieee transactions on neural networks 的書評編輯，mohamad hassoun 有機會去評估近年來出現的眾多關於人工神經網路的書籍。現在，在 fundamentals of artificial neural networks 一書中，他通過清楚的分辨目前神經網路研究員使用的理論與實踐的基本概念與主要方法，首次對人工神經網路正規化提供了系統性的解釋。這樣的一本系統的、統一的書籍，儘管缺少對最近神經網路發展的描述，也依然很適合於學生與從業者。
**：28 美元
神經網路和深度學習的介紹
神經網路和深度學習目前對影象識別 語音識別和自然語言處理領域中的問題有很好的解決方案。2006 年，被稱為 深度神經 絡 的學習技術的發現引起了變 這些技術現在被稱為 深度學習 它們已被進 步發展，今天深度神經 絡和深度學習在計算機視覺 語 識別 然語 處理等許多重要問題上都取得了顯著的效能。他們正...
「深度學習」和「多層神經網路」的區別
從廣義上說深度學習的網路結構也是多層神經網路的一種。傳統意義上的多層神經網路是只有輸入層 隱藏層 輸出層。其中隱藏層的層數根據需要而定，沒有明確的理論推導來說明到底多少層合適。而深度學習中最著名的卷積神經網路cnn，在原來多層神經網路的基礎上，加入了特徵學習部分，這部分是模仿人腦對訊號處理上的分級的...
人工智慧 機器學習 深度學習和神經網路的區別
在機器上實現人工智慧 智慧型的三個核心部分，學習，儲存，應用，在自然界中有自然界的實現方式。機器學習面臨的挑戰 定義 深度學習 deep learning 是通過構建具有很多隱層的機器學習模型和海量的訓練資料，來學習更有用的特徵，從而最終提公升分類或 的準確性。因此，深度模型 是手段，特徵學習 是目...