目 录
第1章　机器学习 1
1.1 什么是机器学习 2
1.2 机器学习面临的挑战 4
1.2.1 过拟合 5
1.2.2 克服过拟合 7
1.3 机器学习的类型 9
1.4 本章小结 13
第2章　神经网络 15
2.1 神经网络的节点 15
2.2 神经网络的层 17
2.3 神经网络的监督学习 21
2.4 训练单层神经网络：delta规则 22
2.5 广义delta规则 25
2.6 SGD、Batch和Mini Batch 26
2.6.1 SGD 26
2.6.2 Batch 27
2.6.3 Mini Batch 27
2.7 delta规则示例 29
2.8 SGD方法的实现 30
2.9 Batch方法的实现 32
2.10 SGD与Batch的比较 34
2.11 单层神经网络的局限性 36
2.12 究竟发生了什么？ 38
2.13 本章小结 40
第3章　多层神经网络的训练 41
3.1 反向传播算法 42
3.2 反向传播示例 46
3.2.1 XOR问题 48
3.2.2 动量 50
3.3 代价函数与学习规则 53
3.4 交叉熵函数示例 57
3.5 交叉熵函数 58
3.6 代价函数比较 60
3.7 本章小结 62
第4章　神经网络与分类问题 63
4.1 二元分类 63
4.2 多元分类 66
4.3 多元分类示例 71
4.4 本章小结 78
第5章　深度学习 79
5.1 深度神经网络的改进 80
5.1.1 梯度消失 81
5.1.2 过拟合 82
5.1.3 计算负载 83
5.2 ReLU与Dropout的实例 84
5.2.1 ReLU函数 85
5.2.2 Dropout 88
5.3 本章小结 93
第6章　卷积神经网络 95
6.1 卷积神经网络架构 95
6.2 卷积层 97
6.3 池化层 101
6.4 MNIST示例 102
6.5 本章小结 116
· · · · · · (收起)