用Python動手學機器學習

第 1章　學習前的準備　　1
1．1　關(guān)于機器學習　2
1．1．1　學習機器學習的竅門　4
1．1．2　機器學習中問題的分類　5
1．1．3　本書的結(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　19
2．1　四則運算　20
2．1．1　四則運算的用法　20
2．1．2　冪運算　20
2．2　變量　21
2．2．1　利用變量進行計算　21
2．2．2　變量的命名　21
2．3　類型　22
2．3．1　類型的種類　22
2．3．2　檢查類型　22
2．3．3　字符串　23
2．4　print 語句　24
2．4．1　print語句的用法　24
2．4．2　同時顯示數(shù)值和字符串的方法1　24
2．4．3　同時顯示數(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　長度為1的tuple　30
2．7　if 語句　31
2．7．1　if語句的用法　31
2．7．2　比較運算符　32
2．8　for 語句　33
2．8．1　for語句的用法　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　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　生成元素隨機的矩陣　40
2．10．7　改變矩陣的大小　41
2．11　矩陣的四則運算　41
2．11．1　矩陣的四則運算　41
2．11．2　標量×矩陣　42
2．11．3　算術(shù)函數(shù)　42
2．11．4　計算矩陣乘積　43
2．12　切片　43
2．13　替換滿足條件的數(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ndarray類型變量　49
2．16．2　保存多個ndarray類型變量　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　機器學習中的數(shù)學　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　標量積　73
4．1．7　內(nèi)積　74
4．1．8　向量的模　75
4．2　求和符號　76
4．2．1　帶求和符號的數(shù)學式的變形　77
4．2．2　通過內(nèi)積求和　79
4．3　累乘符號　79
4．4　導(dǎo)數(shù)　80
4．4．1　多項式的導(dǎo)數(shù)　80
4．4．2　帶導(dǎo)數(shù)符號的數(shù)學式的變形　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)：鏈式法則　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)和對數(shù)函數(shù)　113
4．7．1　指數(shù)　113
4．7．2　對數(shù)　115
4．7．3　指數(shù)函數(shù)的導(dǎo)數(shù)　118
4．7．4　對數(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)督學習：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　擴展到不通過原點的平面　164
5．4　線性基底函數(shù)模型　165
5．5　過擬合問題　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)督學習：分類　189
6．1　一維輸入的二元分類　190
6．1．1　問題設(shè)置　190
6．1．2　使用概率表示類別分類　194
6．1．3　最大似然估計　196
6．1．4　邏輯回歸模型　199
6．1．5　交叉熵誤差　201
6．1．6　學習法則的推導(dǎo)　205
6．1．7　通過梯度法求解　209
6．2　二維輸入的二元分類　210
6．2．1　問題設(shè)置　210
6．2．2　邏輯回歸模型　214
6．3　二維輸入的三元分類　219
6．3．1　三元分類邏輯回歸模型　219
6．3．2　交叉熵誤差　222
6．3．3　通過梯度法求解　223
第7章　神經(jīng)網(wǎng)絡(luò)與深度學習　227
7．1　神經(jīng)元模型　229
7．1．1　神經(jīng)細胞　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)的實現(xiàn)　237
7．2．3　數(shù)值導(dǎo)數(shù)法　242
7．2．4　通過數(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現(xiàn)　262
7．2．9　學習后的神經(jīng)元的特性　268
7．3　使用Keras實現(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)與深度學習的應(yīng)用（手寫數(shù)字識別）　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識別網(wǎng)絡(luò)模型　302
第9章　無監(jiān)督學習　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　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 本書小結(jié)　339
后記　349