《神经网络与机器学习(英文版第3版)》的可读性非常强，作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析，通过大量的试验报告、例题和习题来帮助读者更好地学习神经网络。神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。在众多神经网络著作中，影响最为广泛的是SimonHaykin的《神经网络原理》(第4版更名为《神经网络与机器学习》）。在《神经网络与机器学习(英文版第3版)》中，作者结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面。系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一起。《神经网络与机器学习(英文版第3版)》不但注重对数学分析方法和理论的探讨，而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题中的应用。 本版在前一版的基础上进行了广泛修订，提供了神经网络和机器学习这两个越来越重要的学科的最新分析。

《计算智能:从概念到实现(英文版)》面向智能系统学科的前沿领域，系统地讨论了计算智能的理论、技术及其应用，比较全面地反映了计算智能研究和应用的最新进展。书中涵盖了模糊控制、神经网络控制、进化计算以及其他一些技术及应用的内容。《计算智能:从概念到实现(英文版)》提供了大量的实用案例，重点强调实际的应用和计算工具，这些对于计算智能领域的进一步发展是非常有意义的。《计算智能:从概念到实现(英文版)》取材新颖，内容深入浅出，材料丰富，理论密切结合实际，具有较高的学术水平和参考价值。 《计算智能:从概念到实现(英文版)》可作为高等院校相关专业高年级本科生或研究生的教材及参考用书，也可供从事智能科学、自动控制、系统科学、计算机科学、应用数学等领域研究的教师和科研人员参考。

本书是最全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。

《自然计算：DNA、量子比特和智能机器的未来》介绍了16位致力于解决计算领域前沿问题的科学家，他们分别在科学、工程金融等领域从事极富挑战性的工作。《自然计算：DNA、量子比特和智能机器的未来》记录了与这些科学家的对话内容，描绘了新的计算机架构和丰富多彩的新型软件技术。书中每章自成一体，揭示了这些科学家独特的探索之路；同时，还介绍了作者写作过程中产生的一系列奇思妙想，这些思想注定会让这个世界变得更好。 《自然计算：DNA、量子比特和智能机器的未来》适合所有对未来智能机器及未来计算感兴趣的读者阅读。

This book presents cutting-edge game AI techniques primarily from game developers of shipped commercial games as well as some from academia. Topics covered include AI architectures, steering and path finding, tactics/strategy, genre specific techniques, gesture recognition, and learning techniques. About 60 articles are presented in a style that is technical yet accessible to beginners, but ultimately aimed at the intermediate to expert professional game developer. The book supplies readers with a toolbox of techniques that are applicable to a wide range of situations.

神经网络是计算智能和机器学习的重要分支，在诸多领域都取得了很大的成功。在众多神经网络著作中，影响最为广泛的是Simon Haykin的《神经网络原理》（第3版更名为《神经网络与机器学习》）。在本书中，作者结合近年来神经网络和机器学习的最新进展，从理论和实际应用出发，全面、系统地介绍了神经网络的基本模型、方法和技术，并将神经网络和机器学习有机地结合在一起。 本书不但注重对数学分析方法和理论的探讨，而且也非常关注神经网络在模式识别、信号处理以及控制系统等实际工程问题的应用。本书的可读性非常强，作者举重若轻地对神经网络的基本模型和主要学习理论进行了深入探讨和分析，通过大量的试验报告、例题和习题来帮助读者更好地学习神经网络。 本版在前一版的基础上进行了广泛修订，提供了神经网络和机器学习这两个越来越重要的学科的最新分析。 本书特色： 1. 基于随机梯度下降的在线学习算法；小规模和大规模学习问题。 2. 核方法，包括支持向量机和表达定理。 3. 信息论学习模型，包括连接、独立分量分析（ICA）、一致独立分量分析和信息瓶颈。 4. 随机动态规划，包括逼近和神经动态规划。 5. 逐次状态估计算法，包括卡尔曼和粒子滤波器。 6. 利用逐次状态估计算法训练递归神经网络。 7. 富有洞察力的面向计算机的试验。