第1章 开始二人之旅 1
1.1 对机器学习的兴趣 2
1.2 机器学习的重要性 4
1.3 机器学习的算法 7
1.4 数学与编程 12
第2章 学习回归——基于广告费预测点击量 15
2.1 设置问题 16
2.2 定义模型 19
2.3 最小二乘法 22
2.4 多项式回归 41
2.5 多重回归 45
2.6 随机梯度下降法 52
第3章 学习分类——基于图像大小进行分类 59
3.1 设置问题 60
3.2 内积 64
3.3 感知机 69
3.3.1 训练数据的准备 71
3.3.2 权重向量的更新表达式 74
3.4 线性可分 80
3.5 逻辑回归 82
3.5.1 sigmoid函数 83
3.5.2 决策边界 86
3.6 似然函数 91
3.7 对数似然函数 96
3.8 线性不可分 104
第4章 评估——评估已建立的模型 109
4.1 模型评估 110
4.2 交叉验证 112
4.2.1 回归问题的验证 112
4.2.2 分类问题的验证 117
4.2.3 精确率和召回率 121
4.2.4 F值 125
4.3 正则化 130
4.3.1 过拟合 130
4.3.2 正则化的方法 131
4.3.3 正则化的效果 132
4.3.4 分类的正则化 139
4.3.5 包含正则化项的表达式的微分 140
4.4 学习曲线 144
4.4.1 欠拟合 144
4.4.2 区分过拟合与欠拟合 146
第5章 实现——使用Python编程 153
5.1 使用Python实现 154
5.2 回归 155
5.2.1 确认训练数据 155
5.2.2 作为一次函数实现 158
5.2.3 验证 164
5.2.4 多项式回归的实现 168
5.2.5 随机梯度下降法的实现 176
5.3 分类——感知机 179
5.3.1 确认训练数据 179
5.3.2 感知机的实现 182
5.3.3 验证 185
5.4 分类——逻辑回归 188
5.4.1 确认训练数据 188
5.4.2 逻辑回归的实现 189
5.4.3 验证 194
5.4.4 线性不可分分类的实现 197
5.4.5 随机梯度下降法的实现 204
5.5 正则化 206
5.5.1 确认训练数据 206
5.5.2 不应用正则化的实现 210
5.5.3 应用了正则化的实现 212
5.6 后话 215
附录
A.1 求和符号、求积符号 218
A.2 微分 220
A.3 偏微分 224
A.4 复合函数 227
A.5 向量和矩阵 229
A.6 几何向量 233
A.7 指数与对数 237
A.8 Python环境搭建 241
A.9 Python基础知识 244
A.10 NumPy基础知识 254
· · · · · · (收起)
1.1 对机器学习的兴趣 2
1.2 机器学习的重要性 4
1.3 机器学习的算法 7
1.4 数学与编程 12
第2章 学习回归——基于广告费预测点击量 15
2.1 设置问题 16
2.2 定义模型 19
2.3 最小二乘法 22
2.4 多项式回归 41
2.5 多重回归 45
2.6 随机梯度下降法 52
第3章 学习分类——基于图像大小进行分类 59
3.1 设置问题 60
3.2 内积 64
3.3 感知机 69
3.3.1 训练数据的准备 71
3.3.2 权重向量的更新表达式 74
3.4 线性可分 80
3.5 逻辑回归 82
3.5.1 sigmoid函数 83
3.5.2 决策边界 86
3.6 似然函数 91
3.7 对数似然函数 96
3.8 线性不可分 104
第4章 评估——评估已建立的模型 109
4.1 模型评估 110
4.2 交叉验证 112
4.2.1 回归问题的验证 112
4.2.2 分类问题的验证 117
4.2.3 精确率和召回率 121
4.2.4 F值 125
4.3 正则化 130
4.3.1 过拟合 130
4.3.2 正则化的方法 131
4.3.3 正则化的效果 132
4.3.4 分类的正则化 139
4.3.5 包含正则化项的表达式的微分 140
4.4 学习曲线 144
4.4.1 欠拟合 144
4.4.2 区分过拟合与欠拟合 146
第5章 实现——使用Python编程 153
5.1 使用Python实现 154
5.2 回归 155
5.2.1 确认训练数据 155
5.2.2 作为一次函数实现 158
5.2.3 验证 164
5.2.4 多项式回归的实现 168
5.2.5 随机梯度下降法的实现 176
5.3 分类——感知机 179
5.3.1 确认训练数据 179
5.3.2 感知机的实现 182
5.3.3 验证 185
5.4 分类——逻辑回归 188
5.4.1 确认训练数据 188
5.4.2 逻辑回归的实现 189
5.4.3 验证 194
5.4.4 线性不可分分类的实现 197
5.4.5 随机梯度下降法的实现 204
5.5 正则化 206
5.5.1 确认训练数据 206
5.5.2 不应用正则化的实现 210
5.5.3 应用了正则化的实现 212
5.6 后话 215
附录
A.1 求和符号、求积符号 218
A.2 微分 220
A.3 偏微分 224
A.4 复合函数 227
A.5 向量和矩阵 229
A.6 几何向量 233
A.7 指数与对数 237
A.8 Python环境搭建 241
A.9 Python基础知识 244
A.10 NumPy基础知识 254
· · · · · · (收起)
具体描述
本书通过正在学习机器学习的程序员绫乃和她朋友美绪的对话，结合回归和分类的具体问题，逐步讲解了机器学习中实用的数学基础知识。其中，重点讲解了容易成为学习绊脚石的数学公式和符号。同时，还通过实际的Python 编程讲解了数学公式的应用，进而加深读者对相关数学知识的理解。
用户评价
评分
##纯小白，看不懂，数学基础太薄弱。
评分
##两个文雅的女孩子讨论，直接数学公式满天飞，学习曲线有点大哦
评分
##能看懂一些 多学点东西 机器学习/模式识别 数据收集/处理 回归、分类、聚类 OpenCV 特征向量 Python/Anaconda 感知机 支持向量机 神经网络 交叉验证 变部分已知为未知
评分
##很不错的好书，轻轻松松对话体，以极度日本的轻松模式讲清楚了很多东西，日本人写的书适合入门！
评分
##非常适合初学者，看懂了不少公式。 最后来个归类总结就更好了。
评分
##信息量被对话稀释了
评分
##图一乐的科普书，实话说没啥用，认真研读其他日系书籍会比这个更好。
评分
##不喜欢这种对话形式
##本书讲解的基础知识非常实用，掌握这些知识之后，既可以加深对程序库内部机制的理解，也可以去实现机器学习的算法，还可以去阅读最新的论文，总之可以自由尝试各种实践。