《神经网络与机器学习(原书第3版)》作者Simon Haykin长期从事神经网络的研究，其关于神经网络的系列教材是国际上最有影响力的教材之一。本书是其经典教材《Neural Networks: A Comprehensive Foundation》的第3版。正如本书的题目所示，这一版对神经网络和机器学习这两个密切相关的分支进行了全面分析，在前一版的基础上作了广泛修订，提供了神经网络和机器学习这两个重要性持续增长的学科的最新分析。本书全面、系统地介绍了神经网络的基本模型、基本方法，对神经网络的基本模型和主要学习理论作了深入研究，对神经网络的最新发展趋势和主要研究方向进行了全面而综合的介绍。

Simon Haykin编著的《神经网络与机器学习(原书第3版)》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。

《神经网络与机器学习(原书第3版)》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。

出版者的话

译者序

前言

缩写和符号

术语

第0章 导言

 0.1 什么是神经网络

 0.2 人类大脑

 0.3 神经元模型

 0.4 被看作有向图的神经网络

 0.5 反馈

 0.6 网络结构

 0.7 知识表示

 0.8 学习过程

 0.9 学习任务

 0.10 结束语

 注释和参考文献

第1章 Rosenblatt感知器

 1.1 引言

 1.2 感知器

 1.3 感知器收敛定理

 1.4 高斯环境下感知器与贝叶斯分类器的关系

 1.5 计算机实验：模式分类

 1.6 批量感知器算法

 1.7 小结和讨论

 注释和参考文献

 习题

第2章 通过回归建立模型

第3章 最小均方算法

第4章 多层感知器

第5章 核方法和径向基函数网络

第6章 支持向量机

第7章 正则化理论

第8章 主分量分析

第9章 自组织映射

第10章 信息论学习模型

第11章 植根于统计力学的随机方法

第12章 动态规划

第13章 神经动力学

第14章 动态系统状态估计的贝叶斯滤波

第15章 动态驱动递归网络

参考文献