下载地址：https://arxiv.org/pdf/1901.05639.pdfFFR315 课程：http://physics.gu.se/~frtbm/joomla/index.php?option=com_content&view=article&id=124&Itemid=509
书很薄，只有 157 页，但比较目前市情上机器学习干系的书却极具特色。第一，他讲了许多当前盛行书本中很少涉及的内容，例如 Hopfield 网络；其次，书的内容紧张是面向物理（特殊是统计物理）的，可以说这是一本为物理学领域的师生所写的一本机器学习参考书。
从 Hopfield 网络提及
总体而言，这本 157 页的书从 Hopfield 网络Hopfield 网络、监督学习和无监督学习三个主题先容人工神经网络。个中监督学习先容了我们熟习的深度学习，无监督学习先容了径向基函数网络和强化学习。而第一部分的 Hopfield 网络重点先容了我们并不熟习的确定性和随机性 Hopfield 网络，以及「贼繁芜」的随机优化，可能对物理学来说这些恰好是大略的东西吧～
每一部分包含多个章节，且每一个章节都带有练习题和自测题，它们是考验章节节制度的最好方法。此外从内容上而言，Hopfield 网络是比较有特点的部分，由于像花书《Deep Learning》等盛行的教材并不会单独先容这一内容。可能我们对它的理解还是根据 Hinton 2012 的神课而得到，即 Neural Networks for Machine Learning。以是如果想要理解早期人工神经网络的研究与发展，那么看这一部分就对了。
Hopfield 网络是一种可以识别或重构图像的人工神经网络，它通过某种方法（Hebb 规则）分配权重，并将图像储存在人工神经网络中。这是一种非常经典的想法，它构成了玻尔兹曼机和深度信念网络等方法的根本，但目前深度神经网络能代替它完成模式识别任务。
作者表示课程将 Hopfield 网络作为第一部分紧张有三个缘故原由，首先很多后续的深度神经网络都基于相同的构建块，以及与 Hebb 规则附近的学习方法。其次 Hopfield 网络可以很好地办理最优化问题，且终极算法与马尔可夫链蒙特卡洛方法密切干系，这在物理及统计学上非常主要。末了，Hopfield 网络与物理的随机系统密切干系，可能这也是最主要的吧。
后面两部分便是我们比较熟习的有监督与无监督学习了，它们从感知机开始逐步向全连接网络、卷积网络和循环网络过渡，这也是大多数课程与书本的学习路径。
非物理，慎入
正如前面提到，这是一本物理学（统计物理）与机器学习的结合。虽然书的重点是机器学习，但落脚点仍旧是物理。一方面，在其行文落笔之间充斥着不少物理学中的措辞，例如这样：
这些对学过量子力学的读者来说没有任何障碍，但对付非物理专业的读者却可能是不小的门槛。
如下展示了整本书的目录：
