这是一个很好的快速介绍： 神经网络简介。 请注意，R 具有神经网络功能，因此无需花费任何时间自己实现 NN，直到您对其进行了尝试并确定它看起来对您的应用程序很有希望。

神经网络并没有过时，但它们已经经历了几个炒作周期，然后在意识到它们并没有像声称的那样做所有事情之后，它们的声誉在一段时间内陷入了低谷（我们目前处于其中之一） . 神经网络擅长某些任务，通常更适合人类可以完成类似任务但无法准确解释他们如何完成的任务。

神经网络无法让您深入了解您正在使用它们进行分析的系统，即使在它们经过训练并且运行良好之后也是如此。也就是说，他们可以预测会发生什么（对于某些系统），但不能告诉你为什么。在某些情况下，这很好。在其他情况下，这并不好。通常，如果您想要或者特别是如果您已经了解某事物的工作原理，您可以使用其他技术。

但是，对于某些任务，它们运行良好。

特别是对于时间序列，请参阅此问题的讨论： Proper way of using recurrent neural network for time series analysis

虽然它专注于统计模式识别，而不是时间序列预测，但我强烈推荐 Chris Bishop 的书Neural Networks for Pattern Recognition因为它是一般神经网络的最佳介绍，我认为获得在更简单的环境中处理使用神经网络的潜在陷阱，其中问题更容易可视化和理解。然后继续阅读Mandic 和 Chambers撰写的关于递归神经网络的书。主教的书是经典之作，任何人都不应使用神经网络，除非他们确信自己理解了书中所包含的内容；ANN 让你很容易在脚下开枪！

我也不同意 mbq，nn 并没有过时，虽然许多问题可以用线性模型或更现代的机器学习技术（例如核方法）更好地解决，但有些问题它们工作得很好，而其他方法则不行。它仍然是我们工具箱中应该包含的工具。