內容簡介
輕鬆簡單的好書，讓你從入門到高手，掌握機器學習及神經網路的數學、理論與實作！
▌使用Jupyter Notebook
全書所附的程式碼完整簡單，更棒的是用Jupyter Notebook開發，初學者可以在一個網頁上寫程式、執行、查看結果，還可以作筆記，圖形介面和有條不紊的程式碼管理，比起直接在命令行零零散散地輸入Python程式碼，更能激發學習的動力。
▌搭配範例詳細解說
完善可運行的程式碼、豐富詳細的範例、直觀的資料圖型、細緻具體的公式推導、程式碼實作，彷彿一位好的老師在親手教我學習演算法。
▌程式結合數學公式，一看就懂
本書繼承了大部分日文技術書的傳統特色，對沒有學過Python和需要複習數學基礎的初學者是非常易懂的，內容安排循序漸進，推導過程完整清楚，圖文並茂，理論與實作相結合。一行行的程式碼與一行行的公式一一對應，讓原本晦澀難懂的公式變得簡明流暢起來。
你一定可以運用這些方法看懂了原本看不懂的大學經典教材，再加上TensorFlow和最好用的Keras，快點搭上本書的特快車趕上機器學習人工智慧的新浪潮吧！
作者介紹
伊藤真
日本栃木縣人，目前居住在神奈川縣。
2000年獲得日本東北大學大學院資訊科學博士學位，研究內容為老鼠導航行為的數理模型。2004年~2016年在沖繩科學技術大學院大學擔任神經計算單元實驗小組負責人，主要研究如何通過強化學習模型解釋老鼠的選擇行為和腦活動。
2017年入職Progress Technologies株式會社，研究人工智慧的產業應用。
興趣是用瓦楞紙板做手工藝品。
目次
第1 章| 學習前的準備
1.1 關於機器學習
1.2 安裝Python
1.3 Jupyter Notebook
1.4 安裝Keras 和TensorFlow
第2 章| Python 基礎知識
2.1 四則運算
2.2 變數
2.3 類型
2.4 print 敘述
2.5 list（陣列變數）
2.6 tuple（陣列）
2.7 if 敘述
2.8 for 敘述
2.9 向量
2.10 矩陣
2.11 矩陣的四則運算
2.12 切片
2.13 替換滿足條件的資料
2.14 help
2.15 函數
2.16 保存檔案
第3 章| 資料視覺化
3.1 繪製二維圖形
3.2 繪製三維圖形
第4 章| 機器學習中的數學
4.1 向量
4.2 求和符號
4.3 累乘符號
4.4 導數
4.5 偏導數
4.6 矩陣
4.7 指數函數和對數函數
第5 章| 監督學習：回歸
5.1 一維輸入的直線模型
5.2 二維輸入的平面模型
5.3 D 維線性回歸模型
5.4 線性基底函數模型
5.5 過擬合問題
5.6 新模型的生成
5.7 模型的選擇
5.8 小結
第6 章| 監督學習：分類
6.1 一維輸入的二元分類
6.2 二維輸入的二元分類
6.3 二維輸入的三元分類
第7 章| 神經網路與深度學習
7.1 神經元模型
7.2 神經網路模型
7.3 使用Keras 實現神經網路模型
第8 章| 神經網路與深度學習的應用（手寫數字辨識）
8.1 MINST 資料集
8.2 二層前饋神經網路模型
8.3 ReLU 啟動函數
8.4 空間篩檢程式
8.5 卷積神經網路
8.6 池化
8.7 Dropout
8.8 融合了各種特性的MNIST 辨識網路模型
第9 章| 無監督學習
9.1 二維輸入資料
9.2 K-means 演算法
9.3 混合高斯模型
第10 章| 本書小結
