用Python動(dòng)手學(xué)機(jī)器學(xué)習(xí)

第 1章　學(xué)習(xí)前的準(zhǔn)備　　1
1．1　關(guān)于機(jī)器學(xué)習(xí)　2
1．1．1　學(xué)習(xí)機(jī)器學(xué)習(xí)的竅門(mén)　4
1．1．2　機(jī)器學(xué)習(xí)中問(wèn)題的分類(lèi)　5
1．1．3　本書(shū)的結(jié)構(gòu)　6
1．2　安裝Python　7
1．3　Jupyter Notebook　11
1．3．1　Jupyter Notebook的用法　11
1．3．2　輸入Markdown格式文本　14
1．3．3　更改文件名　16
1．4　安裝Keras和TensorFlow　17
第　2章 Python基礎(chǔ)知識(shí)　19
2．1　四則運(yùn)算　20
2．1．1　四則運(yùn)算的用法　20
2．1．2　冪運(yùn)算　20
2．2　變量　21
2．2．1　利用變量進(jìn)行計(jì)算　21
2．2．2　變量的命名　21
2．3　類(lèi)型　22
2．3．1　類(lèi)型的種類(lèi)　22
2．3．2　檢查類(lèi)型　22
2．3．3　字符串　23
2．4　print 語(yǔ)句　24
2．4．1　print語(yǔ)句的用法　24
2．4．2　同時(shí)顯示數(shù)值和字符串的方法1　24
2．4．3　同時(shí)顯示數(shù)值和字符串的方法2　25
2．5　list（數(shù)組變量）　26
2．5．1　list的用法　26
2．5．2　二維數(shù)組　27
2．5．3　創(chuàng)建連續(xù)的整數(shù)數(shù)組　28
2．6　tuple（數(shù)組）　29
2．6．1　tuple的用法　29
2．6．2　讀取元素　29
2．6．3　長(zhǎng)度為1的tuple　30
2．7　if 語(yǔ)句　31
2．7．1　if語(yǔ)句的用法　31
2．7．2　比較運(yùn)算符　32
2．8　for 語(yǔ)句　33
2．8．1　for語(yǔ)句的用法　33
2．8．2　enumerate的用法　33
2．9　向量　34
2．9．1　NumPy的用法　34
2．9．2　定義向量　35
2．9．3　讀取元素　36
2．9．4　替換元素　36
2．9．5　創(chuàng)建連續(xù)整數(shù)的向量　36
2．9．6　ndarray的注意事項(xiàng)　37
2．10　矩陣　38
2．10．1　定義矩陣　38
2．10．2　矩陣的大小　38
2．10．3　讀取元素　39
2．10．4　替換元素　39
2．10．5　生成元素為0和1的ndarray　39
2．10．6　生成元素隨機(jī)的矩陣　40
2．10．7　改變矩陣的大小　41
2．11　矩陣的四則運(yùn)算　41
2．11．1　矩陣的四則運(yùn)算　41
2．11．2　標(biāo)量×矩陣　42
2．11．3　算術(shù)函數(shù)　42
2．11．4　計(jì)算矩陣乘積　43
2．12　切片　43
2．13　替換滿(mǎn)足條件的數(shù)據(jù)　45
2．14　help　46
2．15　函數(shù)　47
2．15．1　函數(shù)的用法　47
2．15．2　參數(shù)與返回值　47
2．16　保存文件　49
2．16．1　保存一個(gè)ndarray類(lèi)型變量　49
2．16．2　保存多個(gè)ndarray類(lèi)型變量　49
第3章　數(shù)據(jù)可視化　51
3．1　繪制二維圖形　52
3．1．1　繪制隨機(jī)圖形　52
3．1．2　代碼清單的格式　53
3．1．3　繪制三次函數(shù)f (x) = (x - 2) x (x + 2)　53
3．1．4　確定繪制范圍　54
3．1．5　繪制圖形　55
3．1．6　裝飾圖形　55
3．1．7　并列顯示多張圖形　58
3．2　繪制三維圖形　59
3．2．1　包含兩個(gè)變量的函數(shù)　59
3．2．2　用顏色表示數(shù)值：pcolor　60
3．2．3　繪制三維圖形：surface　62
3．2．4　繪制等高線：contour　64
第4章　機(jī)器學(xué)習(xí)中的數(shù)學(xué)　67
4．1　向量　68
4．1．1　什么是向量　68
4．1．2　用Python定義向量　69
4．1．3　列向量的表示方法　69
4．1．4　轉(zhuǎn)置的表示方法　70
4．1．5　加法和減法　71
4．1．6　標(biāo)量積　73
4．1．7　內(nèi)積　74
4．1．8　向量的?！?5
4．2　求和符號(hào)　76
4．2．1　帶求和符號(hào)的數(shù)學(xué)式的變形　77
4．2．2　通過(guò)內(nèi)積求和　79
4．3　累乘符號(hào)　79
4．4　導(dǎo)數(shù)　80
4．4．1　多項(xiàng)式的導(dǎo)數(shù)　80
4．4．2　帶導(dǎo)數(shù)符號(hào)的數(shù)學(xué)式的變形　82
4．4．3　復(fù)合函數(shù)的導(dǎo)數(shù)　83
4．4．4　復(fù)合函數(shù)的導(dǎo)數(shù)：鏈?zhǔn)椒▌t　84
4．5　偏導(dǎo)數(shù)　85
4．5．1　什么是偏導(dǎo)數(shù)　85
4．5．2　偏導(dǎo)數(shù)的圖形　87
4．5．3　繪制梯度的圖形　89
4．5．4　多變量的復(fù)合函數(shù)的偏導(dǎo)數(shù)　91
4．5．5　交換求和與求導(dǎo)的順序　93
4．6　矩陣　95
4．6．1　什么是矩陣　95
4．6．2　矩陣的加法和減法　97
4．6．3　標(biāo)量積　99
4．6．4　矩陣的乘積　100
4．6．5　單位矩陣　103
4．6．6　逆矩陣　105
4．6．7　轉(zhuǎn)置　107
4．6．8　矩陣和聯(lián)立方程式　109
4．6．9　矩陣和映射　111
4．7　指數(shù)函數(shù)和對(duì)數(shù)函數(shù)　113
4．7．1　指數(shù)　113
4．7．2　對(duì)數(shù)　115
4．7．3　指數(shù)函數(shù)的導(dǎo)數(shù)　118
4．7．4　對(duì)數(shù)函數(shù)的導(dǎo)數(shù)　120
4．7．5　Sigmoid函數(shù)　121
4．7．6　Softmax函數(shù)　123
4．7．7　Softmax函數(shù)和Sigmoid函數(shù)　127
4．7．8　高斯函數(shù)　128
4．7．9　二維高斯函數(shù)　129
第5章　有監(jiān)督學(xué)習(xí)：回歸　135
5．1　一維輸入的直線模型　136
5．1．1　直線模型　138
5．1．2　平方誤差函數(shù)　139
5．1．3　求參數(shù)（梯度法）　142
5．1．4　直線模型參數(shù)的解析解　148
5．2　二維輸入的平面模型　152
5．2．1　數(shù)據(jù)的表示方法　154
5．2．2　平面模型　155
5．2．3　平面模型參數(shù)的解析解　157
5．3　D維線性回歸模型　159
5．3．1　D維線性回歸模型　160
5．3．2　參數(shù)的解析解　160
5．3．3　擴(kuò)展到不通過(guò)原點(diǎn)的平面　164
5．4　線性基底函數(shù)模型　165
5．5　過(guò)擬合問(wèn)題　171
5．6　新模型的生成　181
5．7　模型的選擇　185
5．8　小結(jié)　186
第6章　有監(jiān)督學(xué)習(xí)：分類(lèi)　189
6．1　一維輸入的二元分類(lèi)　190
6．1．1　問(wèn)題設(shè)置　190
6．1．2　使用概率表示類(lèi)別分類(lèi)　194
6．1．3　最大似然估計(jì)　196
6．1．4　邏輯回歸模型　199
6．1．5　交叉熵誤差　201
6．1．6　學(xué)習(xí)法則的推導(dǎo)　205
6．1．7　通過(guò)梯度法求解　209
6．2　二維輸入的二元分類(lèi)　210
6．2．1　問(wèn)題設(shè)置　210
6．2．2　邏輯回歸模型　214
6．3　二維輸入的三元分類(lèi)　219
6．3．1　三元分類(lèi)邏輯回歸模型　219
6．3．2　交叉熵誤差　222
6．3．3　通過(guò)梯度法求解　223
第7章　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)　227
7．1　神經(jīng)元模型　229
7．1．1　神經(jīng)細(xì)胞　229
7．1．2　神經(jīng)元模型　230
7．2　神經(jīng)網(wǎng)絡(luò)模型　234
7．2．1　二層前饋神經(jīng)網(wǎng)絡(luò)　234
7．2．2　二層前饋神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)　237
7．2．3　數(shù)值導(dǎo)數(shù)法　242
7．2．4　通過(guò)數(shù)值導(dǎo)數(shù)法應(yīng)用梯度法　246
7．2．5　誤差反向傳播法　251
7．2．6　求．E / ．vkj　252
7．2．7　求．E / ．wji　256
7．2．8　誤差反向傳播法的實(shí)現(xiàn)　262
7．2．9　學(xué)習(xí)后的神經(jīng)元的特性　268
7．3　使用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型　270
7．3．1　二層前饋神經(jīng)網(wǎng)絡(luò)　271
7．3．2　Keras的使用流程　273
第8章　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)的應(yīng)用（手寫(xiě)數(shù)字識(shí)別）　277
8．1　MINST數(shù)據(jù)集　278
8．2　二層前饋神經(jīng)網(wǎng)絡(luò)模型　279
8．3　ReLU激活函數(shù)　286
8．4　空間過(guò)濾器　291
8．5　卷積神經(jīng)網(wǎng)絡(luò)　295
8．6　池化　300
8．7　Dropout　301
8．8　融合了各種特性的MNIST識(shí)別網(wǎng)絡(luò)模型　302
第9章　無(wú)監(jiān)督學(xué)習(xí)　307
9．1　二維輸入數(shù)據(jù)　308
9．2　K-means算法　310
9．2．1　K-means算法的概要　310
9．2．2　步驟0：準(zhǔn)備變量與初始化　311
9．2．3　步驟1：更新R　313
9．2．4　步驟2：更新μ　315
9．2．5　失真度量　318
9．3　混合高斯模型　320
9．3．1　基于概率的聚類(lèi)　320
9．3．2　混合高斯模型　323
9．3．3　EM算法的概要　328
9．3．4　步驟0：準(zhǔn)備變量與初始化　329
9．3．5　步驟1（步驟E）：更新γ　330
9．3．6　步驟2（步驟M）：更新π、μ和Σ　332
9．3．7　似然　336
第　10章 本書(shū)小結(jié)　339
后記　349