第1章 開始二人之旅 1
1.1 對機器學習的興趣 2
1.2 機器學習的重要性 4
1.3 機器學習的算法 7
1.4 數學與編程 12
第2章 學習迴歸——基於廣告費預測點擊量 15
2.1 設置問題 16
2.2 定義模型 19
2.3 最小二乘法 22
2.4 多項式迴歸 41
2.5 多重迴歸 45
2.6 隨機梯度下降法 52
第3章 學習分類——基於圖像大小進行分類 59
3.1 設置問題 60
3.2 內積 64
3.3 感知機 69
3.3.1 訓練數據的準備 71
3.3.2 權重嚮量的更新錶達式 74
3.4 綫性可分 80
3.5 邏輯迴歸 82
3.5.1 sigmoid函數 83
3.5.2 決策邊界 86
3.6 似然函數 91
3.7 對數似然函數 96
3.8 綫性不可分 104
第4章 評估——評估已建立的模型 109
4.1 模型評估 110
4.2 交叉驗證 112
4.2.1 迴歸問題的驗證 112
4.2.2 分類問題的驗證 117
4.2.3 精確率和召迴率 121
4.2.4 F值 125
4.3 正則化 130
4.3.1 過擬閤 130
4.3.2 正則化的方法 131
4.3.3 正則化的效果 132
4.3.4 分類的正則化 139
4.3.5 包含正則化項的錶達式的微分 140
4.4 學習麯綫 144
4.4.1 欠擬閤 144
4.4.2 區分過擬閤與欠擬閤 146
第5章 實現——使用Python編程 153
5.1 使用Python實現 154
5.2 迴歸 155
5.2.1 確認訓練數據 155
5.2.2 作為一次函數實現 158
5.2.3 驗證 164
5.2.4 多項式迴歸的實現 168
5.2.5 隨機梯度下降法的實現 176
5.3 分類——感知機 179
5.3.1 確認訓練數據 179
5.3.2 感知機的實現 182
5.3.3 驗證 185
5.4 分類——邏輯迴歸 188
5.4.1 確認訓練數據 188
5.4.2 邏輯迴歸的實現 189
5.4.3 驗證 194
5.4.4 綫性不可分分類的實現 197
5.4.5 隨機梯度下降法的實現 204
5.5 正則化 206
5.5.1 確認訓練數據 206
5.5.2 不應用正則化的實現 210
5.5.3 應用瞭正則化的實現 212
5.6 後話 215
附錄
A.1 求和符號、求積符號 218
A.2 微分 220
A.3 偏微分 224
A.4 復閤函數 227
A.5 嚮量和矩陣 229
A.6 幾何嚮量 233
A.7 指數與對數 237
A.8 Python環境搭建 241
A.9 Python基礎知識 244
A.10 NumPy基礎知識 254
· · · · · · (收起)
1.1 對機器學習的興趣 2
1.2 機器學習的重要性 4
1.3 機器學習的算法 7
1.4 數學與編程 12
第2章 學習迴歸——基於廣告費預測點擊量 15
2.1 設置問題 16
2.2 定義模型 19
2.3 最小二乘法 22
2.4 多項式迴歸 41
2.5 多重迴歸 45
2.6 隨機梯度下降法 52
第3章 學習分類——基於圖像大小進行分類 59
3.1 設置問題 60
3.2 內積 64
3.3 感知機 69
3.3.1 訓練數據的準備 71
3.3.2 權重嚮量的更新錶達式 74
3.4 綫性可分 80
3.5 邏輯迴歸 82
3.5.1 sigmoid函數 83
3.5.2 決策邊界 86
3.6 似然函數 91
3.7 對數似然函數 96
3.8 綫性不可分 104
第4章 評估——評估已建立的模型 109
4.1 模型評估 110
4.2 交叉驗證 112
4.2.1 迴歸問題的驗證 112
4.2.2 分類問題的驗證 117
4.2.3 精確率和召迴率 121
4.2.4 F值 125
4.3 正則化 130
4.3.1 過擬閤 130
4.3.2 正則化的方法 131
4.3.3 正則化的效果 132
4.3.4 分類的正則化 139
4.3.5 包含正則化項的錶達式的微分 140
4.4 學習麯綫 144
4.4.1 欠擬閤 144
4.4.2 區分過擬閤與欠擬閤 146
第5章 實現——使用Python編程 153
5.1 使用Python實現 154
5.2 迴歸 155
5.2.1 確認訓練數據 155
5.2.2 作為一次函數實現 158
5.2.3 驗證 164
5.2.4 多項式迴歸的實現 168
5.2.5 隨機梯度下降法的實現 176
5.3 分類——感知機 179
5.3.1 確認訓練數據 179
5.3.2 感知機的實現 182
5.3.3 驗證 185
5.4 分類——邏輯迴歸 188
5.4.1 確認訓練數據 188
5.4.2 邏輯迴歸的實現 189
5.4.3 驗證 194
5.4.4 綫性不可分分類的實現 197
5.4.5 隨機梯度下降法的實現 204
5.5 正則化 206
5.5.1 確認訓練數據 206
5.5.2 不應用正則化的實現 210
5.5.3 應用瞭正則化的實現 212
5.6 後話 215
附錄
A.1 求和符號、求積符號 218
A.2 微分 220
A.3 偏微分 224
A.4 復閤函數 227
A.5 嚮量和矩陣 229
A.6 幾何嚮量 233
A.7 指數與對數 237
A.8 Python環境搭建 241
A.9 Python基礎知識 244
A.10 NumPy基礎知識 254
· · · · · · (收起)
具體描述
本書通過正在學習機器學習的程序員綾乃和她朋友美緒的對話，結閤迴歸和分類的具體問題，逐步講解瞭機器學習中實用的數學基礎知識。其中，重點講解瞭容易成為學習絆腳石的數學公式和符號。同時，還通過實際的Python 編程講解瞭數學公式的應用，進而加深讀者對相關數學知識的理解。
用戶評價
評分
##不喜歡這種對話形式
評分
##信息量被對話稀釋瞭
評分
##很不錯的好書，輕輕鬆鬆對話體，以極度日本的輕鬆模式講清楚瞭很多東西，日本人寫的書適閤入門！
評分
##本書講解的基礎知識非常實用，掌握這些知識之後，既可以加深對程序庫內部機製的理解，也可以去實現機器學習的算法，還可以去閱讀最新的論文，總之可以自由嘗試各種實踐。
評分
##非常適閤初學者，看懂瞭不少公式。 最後來個歸類總結就更好瞭。
評分
##非常簡單 不適閤有基礎的人閱讀（除非你隻是想讓自己的腦子休息一下；）
評分
##信息量被對話稀釋瞭
評分
##圖一樂的科普書，實話說沒啥用，認真研讀其他日係書籍會比這個更好。
##滿分！用非常簡單的語言描述瞭機器學習中迴歸和分類問題，最後還提供瞭一些簡單的編程指導——當然不能囊括如今ML領域浩如煙海的知識，但是這本小書打開瞭一扇迷人的大門。