“重新连线……结合了关于重要事项的清晰蓝图和关于如何完成它的明确指导。”——RONA FAIRHEAD，甲骨文公司董事会；UK上议院life-long nobility； RS Group plc 主席
计算机视觉领域在过去十年中经历了快速发展，但新的综合性教科书，例如 Szeliski 的《计算机视觉：算法与应用》或 Ian Goodfellow 的《深度学习》（严格来说这不是一本计算机视觉书籍）都是在十年前出版的。这本新书出版后，我立即购买了它，特别是因为我对其作者之一菲利普•伊索拉的研究工作的钦佩。我个人与作者没有联系，但阅读了他们的出版物并在我的工作中实施了这些方法，特别是在图像到图像翻译研究领域。
我的初步印象是，这本书弥补了自该领域上一篇主要出版物以来留下的空白。虽然我还没有读完整本书，但近几天我读了一些引起我兴趣的章节。关于图像概率模型的部分对我来说是亮点。我很欣赏作者从传统的基于像素的统计通过高斯模型到当今科学的变分自动编码器和扩散模型的进展。这种覆盖范围，尤其是生成模型的覆盖范围，是目前任何其他教科书都无法比拟的。——高分点评
确实，市面上很难找到一本能将卓越的可视化、简洁的英语直觉以及精炼的代码完美融合的书籍。我通过一些晦涩难懂的书籍艰难地学习了优化知识，内心无比渴望在我初涉优化领域时就能拥有这样一本书。
这本书之所以备受推崇，部分原因在于其采用的Julia代码往往能够近乎完美地映射数学公式。因此，读者不会觉得实现过程艰难，只需浏览公式，将其输入代码中，便能轻松上手。
归根结底，优化是一个数值领域，将代码视为核心要素，使得这些材料相较于那些仅采用严格但晦涩的数学方式处理的书籍而言，更加易于理解。这本书摒弃了所谓的“更正式”的伪装，让知识更加贴近实际。
我从头到尾读完了整本书，做了每一个（非编程）练习，作为涉及强化学习的博士学位的一部分。我也熟悉1998年版本。
II版（2018）已绝大部分被重新设计；它更长了，结构发生了变化，符号也发生了变化，讨论了许多新主题。与I版一样，II版既是一本参考书，又是一本教学手册。主要区别是：
(1) I部分在简化的背景下处理强化学习的基础知识，措辞谨慎，以便以与I版相同的易于理解、直观的方式传达理解，但也更加关注数学的严谨性和系统性。
(2) II部分涉及函数逼近的强化学习，与I版相比，有时会涉及到一些数学知识，反映了机器学习领域的总体演变。困难的部分已明确标记，可以跳过。但后来，直面困难总是会带来（积极的）回报。
(3) 第三部分涉及心理学和神经科学的相关发展，这是对跨学科分支领域的一个受欢迎的补充。这对于神经科学家和计算神经科学家以及实验/认知心理学家应该有用。
包括许多练习。我不是数学爱好者，但我发现我可以自己完成其中的每一项，不幸的是，在其他人工智能中通常情况并非如此。图书。这些练习旨在帮助读者在指导下自行解决关键问题，从而理解关键问题。它们使自学成为可能并且令人愉快。
对于任何从事强化学习工作的人来说，这都是一本不可或缺的书。我只有一个问题是，我来得太晚了，无法在其中被提及，但我并没有放弃在第三版中完成它的希望，预计将于 2038 年出版。——高分点评
“过去十年来，深度学习革命改变了机器学习领域。它的灵感来自于模仿大脑学习方式的尝试，但它基于统计学、信息论、决策论和优化的基本原理。本书很好地解释了这些原理，并描述了许多利用它们的“经典”机器学习方法。它还展示了如何将相同的原理应用于包含多层特征的深度学习系统。这提供了一个连贯的框架，人们可以在其中理解许多不同的新旧机器学习方法之间的关系和权衡。”—Geoffrey Hinton，多伦多大学计算机科学名誉教授；谷歌工程院士
本书是一本有价值的参考资料，特别适合参与竞赛准备或教授大学水平欧几里得几何的教师使用。
——《数学协会评论》
深入研究大型语言模型的不错的资源——任何渴望动手的人都值得一读！
—— 瓦希德•米贾利利（Vahid Mirjalili） 博士，FM Global 数据科学家
快速掌握大型语言模型的资源。无论您是该领域的新手还是希望加深知识，它都是不错的指南。—— Walter Reade，Kaggle/Google
