本书是面向机器学习新手的入门书，从学习环境的搭建开始，图文并茂地介绍了学习机器学习所需的Python知识和数学知识，并在此基础上结合数学式、示例程序、插图等，抽丝剥茧般地对有监督学习中的回归与分类、神经网络与深度学习的算法与应用、手写数字识别、无监督学习的算法等进行了介绍。
本书既有图形、代码，又有详细的数学式推导过程，大大降低了机器学习的学习门槛，即使没有学过Python、数学基础不太好，也可以看懂。
面向机器学习新手的入门书，透彻掌握机器学习基础知识
341个公式：推导过程全公开
175段代码：边试边学效率高
167张插图：以图配文好理解
支持Jupyter Notebook
配套源码&资源可下载
1.Jupyter Notebook交互式编程环境，让学习过程不枯燥
使用Jupyter Notebook，你可以在线编码、运行，并将结果绘图，还可以记笔记、随时修改代码并查看运行效果，在不断探索中掌握实战能力。
2.公式和代码一一对应，让理解更深入
通过一步一步地推导公式，手把手教你代码实践，一行行公式与一行行代码相结合，帮助你直观、透彻地理解算法流程。
3.循序渐近，真正适合初学者
从环境搭建讲起，然后介绍Python和数学基础知识，再介绍有监督学习中的回归和分类问题、神经网络模型和手写数字识别，以及无监督学习中的聚类问题，对每个知识点都有细致解释，力求通俗易懂。读完本书，你将掌握足以阅读经典专业书的能力。
伊藤真（作者）
日本栃木县人，目前居住在神奈川县。
2000年获得日本东北大学大学院信息科学博士学位，研究内容为小鼠导航行为的数理模型。2004年~2016年在冲绳科学技术大学院大学担任神经计算单元实验小组负责人，主要研究如何通过强化学习模型解释小鼠的选择行为和脑活动。
2017年入职Progress Technologies株式会社，研究人工智能的产业应用。
爱好是用瓦楞纸板做手工艺品。
郑明智（译者）
智慧医疗工程师。主要研究方向为医疗与前沿ICT技术的结合及其应用，密切关注人工智能、5G、量子计算等领域。译有《松本行弘：编程语言的设计与实现》《深度学习基础与实践》《详解深度学习》《白话机器学习的数学》等书。
司磊（译者）
硕士毕业于日本芝浦工业大学理工学研究科，研究方向为电气电子信息工学，该校智能系统实验室成员。目前在某智能设备厂商任系统工程师。喜欢读书、跑步、学习新知识以及尝试实现一些好玩的idea。
第 1章 学习前的准备 1
1.1 关于机器学习 2
1.1.1 学习机器学习的窍门 4
1.1.2 机器学习中问题的分类 5
1.1.3 本书的结构 6
1.2 安装Python 7
1.3 Jupyter Notebook 11
1.3.1 Jupyter Notebook的用法 11
1.3.2 输入Markdown格式文本 14
1.3.3 更改文件名 16
1.4 安装Keras和TensorFlow 17
第 2章 Python基础知识 19
2.1 四则运算 20
2.1.1 四则运算的用法 20
2.1.2 幂运算 20
2.2 变量 21
2.2.1 利用变量进行计算 21
2.2.2 变量的命名 21
2.3 类型 22
2.3.1 类型的种类 22
2.3.2 检查类型 22
2.3.3 字符串 23
2.4 print 语句 24
2.4.1 print语句的用法 24
2.4.2 同时显示数值和字符串的方法1 24
2.4.3 同时显示数值和字符串的方法2 25
2.5 list（数组变量） 26
2.5.1 list的用法 26
2.5.2 二维数组 27
2.5.3 创建连续的整数数组 28
2.6 tuple（数组） 29
2.6.1 tuple的用法 29
2.6.2 读取元素 29
2.6.3 长度为1的tuple 30
2.7 if 语句 31
2.7.1 if语句的用法 31
2.7.2 比较运算符 32
2.8 for 语句 33
2.8.1 for语句的用法 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 定义向量 35
2.9.3 读取元素 36
2.9.4 替换元素 36
2.9.5 创建连续整数的向量 36
2.9.6 ndarray的注意事项 37
2.10 矩阵 38
2.10.1 定义矩阵 38
2.10.2 矩阵的大小 38
2.10.3 读取元素 39
2.10.4 替换元素 39
2.10.5 生成元素为0和1的ndarray 39
2.10.6 生成元素随机的矩阵 40
2.10.7 改变矩阵的大小 41
2.11 矩阵的四则运算 41
2.11.1 矩阵的四则运算 41
2.11.2 标量×矩阵 42
2.11.3 算术函数 42
2.11.4 计算矩阵乘积 43
2.12 切片 43
2.13 替换满足条件的数据 45
2.14 help 46
2.15 函数 47
2.15.1 函数的用法 47
2.15.2 参数与返回值 47
2.16 保存文件 49
2.16.1 保存一个ndarray类型变量 49
2.16.2 保存多个ndarray类型变量 49
第3章 数据可视化 51
3.1 绘制二维图形 52
3.1.1 绘制随机图形 52
3.1.2 代码清单的格式 53
3.1.3 绘制三次函数f (x) = (x - 2) x (x + 2) 53
3.1.4 确定绘制范围 54
3.1.5 绘制图形 55
3.1.6 装饰图形 55
3.1.7 并列显示多张图形 58
3.2 绘制三维图形 59
3.2.1 包含两个变量的函数 59
3.2.2 用颜色表示数值：pcolor 60
3.2.3 绘制三维图形：surface 62
3.2.4 绘制等高线：contour 64
第4章 机器学习中的数学 67
4.1 向量 68
4.1.1 什么是向量 68
4.1.2 用Python定义向量 69
4.1.3 列向量的表示方法 69
4.1.4 转置的表示方法 70
4.1.5 加法和减法 71
4.1.6 标量积 73
4.1.7 内积 74
4.1.8 向量的模 75
4.2 求和符号 76
4.2.1 带求和符号的数学式的变形 77
4.2.2 通过内积求和 79
4.3 累乘符号 79
4.4 导数 80
4.4.1 多项式的导数 80
4.4.2 带导数符号的数学式的变形 82
4.4.3 复合函数的导数 83
4.4.4 复合函数的导数：链式法则 84
4.5 偏导数 85
4.5.1 什么是偏导数 85
4.5.2 偏导数的图形 87
4.5.3 绘制梯度的图形 89
4.5.4 多变量的复合函数的偏导数 91
4.5.5 交换求和与求导的顺序 93
4.6 矩阵 95
4.6.1 什么是矩阵 95
4.6.2 矩阵的加法和减法 97
4.6.3 标量积 99
4.6.4 矩阵的乘积 100
4.6.5 单位矩阵 103
4.6.6 逆矩阵 105
4.6.7 转置 107
4.6.8 矩阵和联立方程式 109
4.6.9 矩阵和映射 111
4.7 指数函数和对数函数 113
4.7.1 指数 113
4.7.2 对数 115
4.7.3 指数函数的导数 118
4.7.4 对数函数的导数 120
4.7.5 Sigmoid函数 121
4.7.6 Softmax函数 123
4.7.7 Softmax函数和Sigmoid函数 127
4.7.8 高斯函数 128
4.7.9 二维高斯函数 129
第5章 有监督学习：回归 135
5.1 一维输入的直线模型 136
5.1.1 直线模型 138
5.1.2 平方误差函数 139
5.1.3 求参数（梯度法） 142
5.1.4 直线模型参数的解析解 148
5.2 二维输入的平面模型 152
5.2.1 数据的表示方法 154
5.2.2 平面模型 155
5.2.3 平面模型参数的解析解 157
5.3 D维线性回归模型 159
5.3.1 D维线性回归模型 160
5.3.2 参数的解析解 160
5.3.3 扩展到不通过原点的平面 164
5.4 线性基底函数模型 165
5.5 过拟合问题 171
5.6 新模型的生成 181
5.7 模型的选择 185
5.8 小结 186
第6章 有监督学习：分类 189
6.1 一维输入的二元分类 190
6.1.1 问题设置 190
6.1.2 使用概率表示类别分类 194
6.1.3 最大似然估计 196
6.1.4 逻辑回归模型 199
6.1.5 交叉熵误差 201
6.1.6 学习法则的推导 205
6.1.7 通过梯度法求解 209
6.2 二维输入的二元分类 210
6.2.1 问题设置 210
6.2.2 逻辑回归模型 214
6.3 二维输入的三元分类 219
6.3.1 三元分类逻辑回归模型 219
6.3.2 交叉熵误差 222
6.3.3 通过梯度法求解 223
第7章 神经网络与深度学习 227
7.1 神经元模型 229
7.1.1 神经细胞 229
7.1.2 神经元模型 230
7.2 神经网络模型 234
7.2.1 二层前馈神经网络 234
7.2.2 二层前馈神经网络的实现 237
7.2.3 数值导数法 242
7.2.4 通过数值导数法应用梯度法 246
7.2.5 误差反向传播法 251
7.2.6 求.E / .vkj 252
7.2.7 求.E / .wji 256
7.2.8 误差反向传播法的实现 262
7.2.9 学习后的神经元的特性 268
7.3 使用Keras实现神经网络模型 270
7.3.1 二层前馈神经网络 271
7.3.2 Keras的使用流程 273
第8章 神经网络与深度学习的应用（手写数字识别） 277
8.1 MINST数据集 278
8.2 二层前馈神经网络模型 279
8.3 ReLU激活函数 286
8.4 空间过滤器 291
8.5 卷积神经网络 295
8.6 池化 300
8.7 Dropout 301
8.8 融合了各种特性的MNIST识别网络模型 302
第9章 无监督学习 307
9.1 二维输入数据 308
9.2 K-means算法 310
9.2.1 K-means算法的概要 310
9.2.2 步骤0：准备变量与初始化 311
9.2.3 步骤1：更新R 313
9.2.4 步骤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 基于概率的聚类 320
9.3.2 混合高斯模型 323
9.3.3 EM算法的概要 328
9.3.4 步骤0：准备变量与初始化 329
9.3.5 步骤1（步骤E）：更新γ 330
9.3.6 步骤2（步骤M）：更新π、μ和Σ 332
9.3.7 似然 336
第 10章 本书小结 339
后记 349
书单推荐
