自己動手寫神經網絡 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

葛一鳴 著

圖書標籤:

• 神經網絡
• 深度學習
• 機器學習
• Python
• 編程
• 算法
• 人工智能
• 數據科學
• 計算機科學
• 實踐

齣版社： 人民郵電齣版社

ISBN：9787115462015

版次：1

商品編碼：12169369

品牌：異步圖書

包裝：平裝

開本：16開

齣版時間：2017-09-01

用紙：膠版紙

頁數：182

正文語種：中文

編輯推薦

　　AlphaGo戰勝李世石，標誌著新一輪人工智能的浪潮已經來襲。　　而你是否已經做好迎接新的人工智能技術的準備？　　《自己動手寫神經網絡》將帶你一探作為AlphaGo基石的人工神經網絡。　　《自己動手寫神經網絡》不局限於紙上談兵，我們用代碼詮釋一切。　　《自己動手寫神經網絡》可能改變你對人工智能的態度。　　深入講解人工神經網絡的工作原理，並且能夠動手實踐人工神經網絡　　書力求通俗易懂，使用盡可能簡單的語言描述人工神經網絡的原理與理論。　　《自己動手寫神經網絡》力求以具體實現與應用為導嚮，除瞭理論介紹外，每一章節的應用和實踐都有具體的實現詳解。　　全書使用Java作為主要語言，與Matlab等語言不同的是：Java語言是目前企業級軟件開發zui為流行的語言，因此，使用Java實現的神經網絡具備更強的係統集成能力與實踐能力。由於Java語言本身通俗易懂，在基本語法上與C/C++類似，因此，本書同樣適閤沒有Java基礎的程序員。

內容簡介

　　《自己動手寫神經網絡》講解通俗易懂，使用簡單的語言描述人工神經網絡的原理，並力求以具體實現與應用為導嚮，除瞭理論介紹外，每一章節的應用和實踐都有具體的實例實現，讓讀者達到學以緻用。《自己動手寫神經網絡》分為11章，主要內容為：簡單的人工神經網絡模型和理論應用；介紹瞭一個基於Java的人工神經網絡框架Neuroph；介紹瞭基於Neuroph開發一個簡單的人工神經網絡係統—感知機；介紹瞭ADALINE網絡以及使用Neuroph實現ADALINE神經網絡；介紹瞭BP神經網絡的基本原理和具體實現；介紹瞭BP神經網絡的具體實踐應用；介紹瞭Hopfield網絡的原理、實踐和應用；介紹瞭雙嚮聯想網絡BAM的原理、實踐和應用；介紹瞭競爭學習網絡，特彆是SOM網絡以及相關算法與實現；介紹瞭PCA方法以及與PCA方法等價的PCA神經網絡。　　《自己動手寫神經網絡》適閤以下類型的讀者：對神經網絡感興趣，期望可以初步瞭解神經網絡原理的讀者；有一定編程經驗，期望學習和掌握神經網絡的程序員；期望對神經網絡進行實際應用的工程人員；任何一名神經網絡愛好者。

作者簡介

　　葛一鳴，浙江工業大學碩士，國傢認證係統分析師，Oracle OCP。長期從事Java軟件開發工作，對Java技術、人工智能、神經網絡、數據挖掘等技術有濃厚興趣。　　現著有《自己動手寫神經網絡》《Java程序性能優化》《實戰Java虛擬機》《實戰Java高並發程序設計》。

目錄

第1章　人工神經網絡概述 1
1．1　人工智能與神經網絡簡史 1
1．1．1　人工智能的誕生：1943～1956年 2
1．1．2　黃金發展期：1956～1974年 3
1．1．3　第一次低榖期：1974～1980年 4
1．1．4　繁榮期：1980～1987年 5
1．1．5　第二次低榖期：1987～1993年 5
1．1．6　再次崛起：1993年至今 6
1．2　生物學研究對神經網絡的影響 6
1．3　大數據對人工智能的影響 8
1．4　計算機硬件發展對人工智能的影響 9
1．5　計算機軟件發展對人工智能的影響 9
1．6　人工智能的廣泛應用 10
第2章　人工神經元模型與感知機 12
2．1　人工神經元組成要素 12
2．1．1　人工神經元的基本結構 12
2．1．2　傳輸函數類型 13
2．2　感知機 15
2．2．1　使用感知機識彆水果 15
2．2．2　讓感知機記憶邏輯與 17
2．2．3　感知機的學習算法 18
2．3　總結 20
第3章　神經網絡框架Neuroph介紹 21
3．1　Neuroph是什麼 21
3．2　Neuroph係統的構成 22
3．3　Neuroph Studio的功能展示 22
3．3．1　使用Neuroph Studio構造感知機處理邏輯與 23
3．3．2　使用Neuroph Studio進行動物分類實驗 28
3．4　Neuroph Library架構分析 34
3．4．1　Neuroph Library核心架構 35
3．4．2　Neuron神經元 35
3．4．3　Layer層 36
3．4．4　NeuralNetwork神經網絡 37
3．4．5　LearningRule學習算法 37
3．4．6　DataSet和DataSetRow 38
3．5　Neuroph開發環境搭建 38
3．5．1　基礎平颱——Java介紹以及安裝 39
3．5．2　包管理工具——Maven安裝 39
3．5．3　開發工具——Eclipse安裝 40
3．6　總結 41
第4章　使用Java實現感知機及其應用 42
4．1　第一個Neuroph程序——使用感知機記憶邏輯與 42
4．1．1　創建感知機網絡 42
4．1．2　理解輸入神經元InputNeuron 45
4．1．3　理解貝葉斯神經元BiasNeuron 45
4．1．4　step傳輸函數是如何實現的 46
4．2　讓感知機理解坐標係統 47
4．2．1　感知機網絡的設計 47
4．2．2　感知機網絡的實現 47
4．3　感知機學習算法與Java實現 49
4．3．1　感知機學習規則的實現 50
4．3．2　一個自學習的感知機實現——SimplePerceptron 51
4．3．3　小試牛刀——SimplePerceptron學習邏輯與 52
4．3．4　訓練何時停止 53
4．4　再看坐標點位置識彆 55
4．5　感知機的極限——異或問題 57
4．6　總結 58
第5章　ADALINE網絡及其應用 59
5．1　ADALINE網絡與LMS算法 59
5．2　ADALINE網絡的Java實現 60
5．3　使用ADALINE網絡識彆數字 62
5．3．1　印刷體數字識彆問題概述 62
5．3．2　代碼實現 63
5．3．3　加入噪點後再嘗試 66
5．4　總結 67
第6章　多層感知機和BP學習算法 68
6．1　多層感知機的結構與簡單實現 68
6．1．1　多層感知機結構的提齣 68
6．1．2　定義多層感知機處理異或問題 69
6．1．3　多層感知機的簡單實現 71
6．2　多層感知機學習算法——BP學習算法 74
6．2．1　BP學習算法理論介紹 74
6．2．2　BP學習算法與BP神經網絡的實現 77
6．3　BP神經網絡細節優化 84
6．3．1　隨機化權值的方式 84
6．3．2　Sigmoid函數導數的探討 86
6．4　帶著算法重迴異或問題 87
6．5　總結 89
第7章　BP神經網絡的案例 90
7．1　奇偶性判彆問題 90
7．1．1　問題描述 90
7．1．2　代碼實現 90
7．2　函數逼近 94
7．2．1　問題描述 94
7．2．2　代碼實現 94
7．3　動物分類 99
7．3．1　問題描述 99
7．3．2　問題分析 100
7．3．3　代碼實現 102
7．4　簡單的語音識彆 104
7．4．1　問題描述 104
7．4．2　代碼實現 104
7．5　MNIST手寫體識彆 106
7．5．1　問題描述 106
7．5．2　問題分析 108
7．5．3　代碼實現 108
7．6　總結 112
第8章　Hopfield神經網絡 113
8．1　Hopfield神經網絡的結構和原理 113
8．1．1　Hopfield網絡的結構 113
8．1．2　網絡吸引子 114
8．1．3　網絡權值的設計 115
8．2　網絡的存儲容量 117
8．3　Hopfield神經網絡的Java實現 118
8．3．1　Hopfield網絡構造函數 118
8．3．2　Hopfield網絡的神經及其特點 119
8．3．3　Hopfield網絡學習算法 120
8．4　Hopfield網絡還原帶有噪點的字符 121
8．5　Hopfield網絡的自聯想案例 123
8．6　總結 126
第9章　BAM雙嚮聯想記憶網絡 127
9．1　BAM網絡的結構與原理 127
9．2　BAM網絡的學習算法 128
9．3　使用Java實現BAM網絡 129
9．3．1　BAM網絡的靜態結構 129
9．3．2　BAM網絡學習算法 130
9．3．3　BAM網絡的運行 131
9．4　BAM網絡的應用 133
9．4．1　場景描述——人名與電話 133
9．4．2　數據編碼設計 134
9．4．3　具體實現 136
9．5　總結 140
第10章　競爭學習網絡 141
10．1　競爭學習的基本原理 141
10．1．1　嚮量的相似性 142
10．1．2　競爭學習規則 143
10．2　自組織映射網絡SOM的原理 144
10．2．1　SOM網絡的生物學意義 144
10．2．2　SOM網絡的結構 144
10．2．3　SOM網絡的運行原理 145
10．2．4　有關初始化權重的問題 146
10．3　SOM網絡的Java實現 147
10．3．1　SOM網絡拓撲結構的實現 147
10．3．2　SOM網絡的初始權值設置 150
10．3．3　Kohonen算法的實現 153
10．4　SOM網絡的應用 157
10．4．1　使用SOM網絡進行動物聚類 158
10．4．2　使用SOM網絡進行城市聚類 161
10．5　總結 164
第11章　PCA神經網絡 165
11．1　PCA方法概述 165
11．1．1　PCA方法數學背景 166
11．1．2　PCA計算示例 167
11．2　PCA神經網絡學習算法 170
11．2．1　Oja算法 170
11．2．2　Sanger算法 171
11．3　基於Neuroph實現PCA網絡 172
11．3．1　Oja算法的實現 172
11．3．2　Sanger算法的實現 177
11．4　使用PCA網絡預處理MNIST手寫體數據集 178
11．5　總結 181

《深度學習實戰：從零構建你的第一個神經網絡》 一、本書定位與特色 這本書並非那些空泛的理論堆砌，也不是僅僅羅列幾個框架的API。它是一本麵嚮希望真正理解深度學習核心機製，並能動手實踐的工程師、學生和愛好者而編寫的入門級實戰指南。我們堅信，理解一個係統的最佳方式莫過於親手構建它。《深度學習實戰：從零構建你的第一個神經網絡》將帶領讀者一步一步地拆解神經網絡的構成，從最基礎的數學原理齣發，到最終構建並訓練一個能夠解決實際問題的神經網絡模型。 本書最大的特色在於其“從零構建”的理念。我們將避開直接使用高級框架（如TensorFlow, PyTorch）提供的便捷函數，而是采用更底層的編程語言（如Python配閤NumPy庫）來實現神經網絡的每一個關鍵組件。這樣做的好處是： 深刻理解原理： 當你親手編寫矩陣乘法、激活函數、損失函數、反嚮傳播算法時，你纔能真正理解它們是如何運作的，而不僅僅是調用一個函數。 掌握調試技巧： 在“從零構建”的過程中，你會遇到各種各樣的問題，學會如何定位和修復bug，這對於成為一個閤格的深度學習工程師至關重要。 為框架學習打下堅實基礎： 一旦你理解瞭底層的實現原理，再學習高級框架時，你會更容易理解框架的抽象和設計思路，從而更高效地掌握它們。 培養獨立解決問題的能力： 即使在未來工作中需要使用成熟的框架，但當遇到框架難以解決的特殊情況或需要定製化模型時，本書提供的基礎知識將是你寶貴的財富。 二、目標讀者 對深度學習充滿好奇，但又畏懼其復雜性的初學者： 我們會從最基本的概念講起，用通俗易懂的語言解釋復雜的數學原理。 具備一定編程基礎（Python）但缺乏機器學習/深度學習實踐經驗的開發者： 本書將引導你如何將編程技能應用於深度學習領域。 希望深入理解神經網絡工作原理，而非僅僅停留在API調用的學生： 理論與實踐相結閤，讓你知其然更知其所以然。 想為未來深入研究深度學習打下堅實基礎的研究人員或工程師： 本書將為你提供一個牢固的起點。 三、內容概覽 本書的內容設計循序漸進，從最基礎的數學概念過渡到復雜的模型構建。 第一部分：神經網絡的基石——從數學到概念 第一章：你好，神經網絡！ 簡要介紹人工智能、機器學習和深度學習的關係。 神經網絡的靈感來源：生物神經元。 為什麼深度學習如此強大？（數據、算力、算法的進步）。 本書的學習路徑和學習方法。 第二章：數學預備知識——深度學習的語言 綫性代數核心概念： 嚮量、矩陣、張量及其運算（點乘、矩陣乘法）。我們將通過NumPy示例來直觀展示這些操作。 微積分基礎： 導數、偏導數、鏈式法則。這是理解模型如何學習的關鍵。 概率論初步： 概率分布、期望、方差。為理解損失函數和模型評估打下基礎。 （我們將盡量用圖示和簡潔的語言解釋，避免過於枯燥的數學推導，重點在於理解概念如何服務於神經網絡。） 第三章：第一個神經元——感知機（Perceptron） 感知機的結構：輸入、權重、偏置、激活函數。 激活函數的概念與作用：Sigmoid, ReLU等。 感知機的學習過程：如何根據數據調整權重和偏置。 感知機的局限性：為何它無法解決XOR問題。 第四章：連接起來——多層感知機（MLP） 構建更復雜的神經網絡：隱藏層。 前嚮傳播（Forward Propagation）：數據如何通過網絡層層傳遞，最終得到預測結果。 理解層與層之間的連接以及信息流。 第二部分：構建與訓練——動手實現你的第一個神經網絡 第五章：損失函數——衡量預測的好壞 什麼是損失函數？它扮演的角色。 常見的損失函數：均方誤差（MSE）、交叉熵損失（Cross-Entropy Loss）。 不同損失函數適用於不同任務的場景。 第六章：優化器——學習的引擎 梯度下降（Gradient Descent）的基本原理。 學習率（Learning Rate）的重要性及其影響。 更高級的優化算法簡介（例如，Adam, SGD with Momentum），為後續學習框架打下基礎。 第七章：反嚮傳播算法——誤差的傳遞與權重更新 這是本書的核心章節之一。我們將詳細講解反嚮傳播的數學原理。 鏈式法則在反嚮傳播中的應用。 計算損失函數相對於每個權重的梯度。 從零實現反嚮傳播： 通過代碼逐步展示如何計算並應用梯度。 第八章：構建你的第一個神經網絡（實踐） 使用NumPy從零實現一個簡單的全連接神經網絡。 代碼結構設計：包括網絡層、激活函數、損失函數、優化器等模塊。 數據集準備： 使用經典的、易於理解的數據集（如MNIST手寫數字識彆的簡化版，或Iris鳶尾花分類）。 模型訓練過程： 迭代訓練、損失函數的變化、準確率的提升。 超參數調優初步： 學習率、迭代次數、網絡結構等的影響。 第三部分：進階與擴展——深入理解更復雜的模型 第九章：防止過擬閤——讓模型更魯棒 什麼是過擬閤（Overfitting）和欠擬閤（Underfitting）？ 正則化技術：L1, L2正則化，Dropout。 早停法（Early Stopping）。 第十章：數據預處理與特徵工程——為模型準備好“食物” 數據清洗與處理：缺失值、異常值。 特徵縮放（Feature Scaling）：標準化（Standardization）、歸一化（Normalization）。 獨熱編碼（One-Hot Encoding）等。 第十一章：分類與迴歸任務的深入 針對二分類和多分類問題的模型設計和損失函數選擇。 迴歸任務的模型結構和評估指標。 第十二章：神經網絡的“前驅”——綫性迴歸與邏輯迴歸的再審視 從更基礎的模型（綫性迴歸、邏輯迴歸）齣發，迴顧神經網絡的演進。 理解邏輯迴歸如何看作一個單層神經網絡。 第四部分：實踐中的深度學習 第十三章：捲積神經網絡（CNN）入門（概念與基本組件） CNN的齣現背景與優勢：處理圖像數據。 捲積層（Convolutional Layer）：捲積核、步長、填充。 池化層（Pooling Layer）。 概念性實現： 解釋其工作原理，不直接實現復雜CNN架構。 第十四章：循環神經網絡（RNN）入門（概念與基本組件） RNN的齣現背景與優勢：處理序列數據。 循環結構：隱藏狀態的傳遞。 概念性實現： 解釋其工作原理，不直接實現復雜RNN架構。 第十五章：邁嚮更廣闊的天地 深度學習的更多應用領域：自然語言處理、計算機視覺、推薦係統等。 高級框架（TensorFlow, PyTorch）的介紹與學習建議。 如何持續學習和跟進深度學習的發展。 四、本書的“從零構建”實踐方法 本書的實踐部分將極度強調“從零開始”。我們不會直接導入`tensorflow.keras.layers`或者`torch.nn.Module`來創建層。相反，我們將： 使用NumPy構建矩陣運算： 實現前嚮傳播中的綫性變換。 手動實現激活函數： 如Sigmoid、ReLU的Python函數。 親自編寫損失函數： 如MSE、Cross-Entropy的Python函數。 詳細推導並實現反嚮傳播算法： 這將是全書的重點和難點，但我們通過清晰的步驟和代碼示例來攻剋它。 自定義優化器（例如，簡單的梯度下降）： 通過代碼來更新權重。 這樣做，是為瞭讓讀者“看到”每一個計算步驟，理解其背後的數學邏輯，而不是僅僅調用一個黑盒函數。當你掌握瞭這些基礎，再去學習TensorFlow或PyTorch時，你會發現它們的API設計是多麼有邏輯，並且能理解它們為什麼這樣設計。 五、學習本書的建議 1. 動手實踐是關鍵： 跟著書中的代碼，親手敲一遍，運行一遍，修改參數，觀察結果。 2. 理解比記憶更重要： 不要死記硬背公式，理解數學公式背後的含義和作用。 3. 遇到問題，勇敢提問（或調試）： 遇到bug是學習過程中最寶貴的財富，學會如何定位和解決問題。 4. 循序漸進，不要跳讀： 本書內容是層層遞進的，確保理解瞭前麵的內容再進行後續學習。 5. 善用圖示和可視化： 本書會用大量圖示來解釋概念，幫助你直觀理解。 《深度學習實戰：從零構建你的第一個神經網絡》不僅僅是一本書，它更是一個訓練營，一個讓你從深度學習的“消費者”轉變為“創造者”的起點。讓我們一起開啓這段激動人心的深度學習探索之旅吧！

評分☆☆☆☆☆

我選擇購買這本書，很大程度上是被其“自己動手”這個關鍵詞所吸引。在如今這個AI技術爆炸的時代，理論知識固然重要，但缺乏實踐的理論就像空中樓閣，難以落地。我希望這本書能夠提供一套完整的“從零開始”的學習路徑，不僅僅是講解概念，更重要的是引導讀者親自去實現。我期待書中能夠提供一些經典的神經網絡架構，比如多層感知機（MLP）、捲積神經網絡（CNN）和循環神經網絡（RNN），並且深入剖析它們的結構和工作原理。更令我興奮的是，我希望書中的每一個章節都伴隨著相應的代碼實現，最好是能夠提供完整的項目示例，讓讀者能夠跟隨教程，親手搭建並訓練這些模型。例如，在講解CNN時，我希望能夠看到如何使用Python和NumPy從頭開始構建一個簡單的CNN，然後逐步引入更高級的庫和框架。我希望書中能夠詳細解釋梯度下降的原理，並展示如何在代碼中實現反嚮傳播算法，這是理解神經網絡訓練過程的關鍵。我堅信，通過不斷的實踐和試錯，我纔能真正掌握神經網絡的精髓，並具備解決實際問題的能力。這本書，是我希望成為一名閤格AI工程師的敲門磚。

評分☆☆☆☆☆

我選擇《自己動手寫神經網絡》這本書，是希望能夠突破當前在人工智能學習中的瓶頸。我曾嘗試過閱讀一些關於深度學習的資料，但往往因為理論的晦澀難懂和缺乏實踐指導而感到沮喪。我希望這本書能夠提供一種全新的學習視角，讓我不再僅僅是被動地接受知識，而是能夠主動地參與到神經網絡的構建過程中。我期待書中能夠講解如何從最基礎的數學概念入手，逐步理解神經網絡的構成要素，比如神經元、層、激活函數等。更重要的是，我希望能夠看到如何在實際編程中實現這些概念，例如使用Python和NumPy等基礎工具，逐步搭建一個簡單的神經網絡模型。我渴望理解反嚮傳播算法的數學原理，並希望通過代碼示例來直觀地感受梯度下降的過程。同時，我也希望書中能夠介紹一些經典的神經網絡模型，並引導我思考這些模型的設計思路和適用場景。總而言之，我希望通過這本書，能夠真正掌握“如何寫”神經網絡，並具備獨立思考和解決問題的能力。這本書，是我希望能夠成為一名能夠創造AI的工程師的起點。

評分☆☆☆☆☆

閱讀本書的最大期待，是能夠獲得一種“知其然，更知其所以然”的學習體驗。市麵上有很多關於神經網絡的書籍，但很多隻是停留在“如何使用”的層麵，即如何調用某個函數庫來搭建模型。而我更想深入瞭解的是“為什麼”模型會這樣設計，“為什麼”反嚮傳播能夠工作，以及“為什麼”某些參數的調整會帶來如此顯著的變化。我希望這本書能夠像一位耐心細緻的導師，用通俗易懂的語言，抽絲剝繭地講解神經網絡的數學原理和算法細節。例如，在講解激活函數時，我希望作者能夠詳細闡述不同激活函數的優缺點，以及它們在特定場景下的適用性。在講解損失函數時，我希望能看到對不同損失函數（如交叉熵、均方誤差）的深入分析，以及它們是如何衡量模型預測與真實值之間的差距的。最重要的是，我渴望理解反嚮傳播算法的數學推導過程，並希望書中能通過清晰的圖示和代碼示例，來幫助我理解這個核心的訓練機製。這本書，是我希望能夠真正理解深度學習底層邏輯的指南。

評分☆☆☆☆☆

這本書的封麵設計非常吸引人，簡約而不失專業感，封麵上“自己動手寫神經網絡”幾個大字，仿佛在嚮我發齣挑戰，又像是在承諾一條通往深度學習核心的捷徑。我一直對人工智能領域充滿好奇，特彆是神經網絡，但市麵上很多書籍要麼過於理論化，讓人望而卻步，要麼過於碎片化，難以形成完整的知識體係。這本書的齣現，讓我看到瞭一個可能性的曙光。我期待它能夠用一種循序漸進、實操性強的方式，帶領我從零開始，一步一步構建起自己的神經網絡。我希望書中能夠詳細講解神經網絡的各個組成部分，比如神經元的工作原理、激活函數的作用、損失函數的設計以及反嚮傳播算法的細節。更重要的是，我希望能夠看到大量的代碼示例，最好是使用當下流行的深度學習框架，如TensorFlow或PyTorch。通過實際動手編碼，纔能真正理解每一個概念是如何在代碼中實現的，纔能在解決實際問題的過程中深化理解。我想象著，當我在代碼中一步步實現一個簡單的神經網絡，並成功地讓它完成一個分類任務時，那種成就感一定非同尋常。這本書，就是我踏入這個激動人心領域的起點。

評分☆☆☆☆☆

這本書的齣現，仿佛為我打開瞭一扇通往人工智能神秘領域的大門。作為一名對機器學習充滿熱情但又苦於無從下手的初學者，我一直渴望找到一本能夠係統性地引導我學習神經網絡的書籍。我希望這本書不僅僅是提供一些現成的代碼模闆，而是能夠讓我從最基礎的概念開始，逐步構建起對神經網絡的理解。我期待書中能夠從最簡單的感知機模型講起，然後逐步過渡到更復雜的深度神經網絡。我希望能夠清晰地理解神經元的工作原理，以及多層連接如何形成強大的學習能力。同時，我也非常關注模型的訓練過程，特彆是反嚮傳播算法的細節。我希望這本書能夠用圖文並茂的方式，或者清晰的代碼注釋，來解釋梯度計算和權重更新的整個流程，讓我能夠真正理解模型是如何通過迭代優化來逼近最優解的。此外，我也希望書中能夠涉及一些常用的神經網絡架構，比如捲積神經網絡（CNN）和循環神經網絡（RNN），並解釋它們在圖像識彆和自然語言處理等領域的應用。這本書，是我希望能夠紮實掌握神經網絡核心技術的路綫圖。

評分☆☆☆☆☆

很厚的一本書，質量很棒

評分☆☆☆☆☆

逆水行舟，不進則退!????

評分☆☆☆☆☆

京東自營，質量可靠，值得信賴。

評分☆☆☆☆☆

618京東活動真給力，一下買瞭好多好多書，太實惠瞭，文史類600-480，理工類400-280，摺閤兩到三摺，真的滿意，屯著慢慢看，好好學習一下！

評分☆☆☆☆☆

傢裏好幾箱書，都是京東買的，價格實惠，書的品質也很好，快遞更是給力！非常滿意！

評分☆☆☆☆☆

買瞭好多機器學習的書，需要很長一段時間消化。

評分☆☆☆☆☆

啦啦啦，還沒看，怎馬評？貌似高大上

評分☆☆☆☆☆

人工智能學習學習應用和實際的差彆

評分☆☆☆☆☆

很好 京東很靠譜 價格不錯