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)