Bernhard Mehlig 于2021年讲授人工智能神经网络课程的讲义下载：
arxiv.org/pdf/1901.05639
它系统地介绍了神经网络的机器学习理论，主要分为三个部分：
霍普菲尔德网络（Hopfield networks）: 探讨了该网络的数学理论及其学习机制，包括其优势和局限性。霍普菲尔德网络是一种循环网络，通过收敛到相应的稳定状态来寻找存储模式，在计算机科学中具有重要发展。
监督学习（Supervised learning）: 涵盖了多层感知器（multilayer perceptrons）和卷积神经网络（convolutional neural networks），从Minsky和Papert提出的几何概念出发，介绍了卷积网络在目标识别和循环网络在语言处理方面的最新进展，例如机器翻译。
无标签学习（Learning without labels）: 详细阐述了神经网络如何学习未标记数据，重点介绍了无监督学习（unsupervised learning）和强化学习（reinforcement learning）。无监督学习算法能够以不同方式组织未标记的输入数据，例如检测输入模式的相似性（聚类）。强化学习则允许智能体通过优化行为来应对环境线索，以获得奖励。
