本书从一个完全不了解机器学习的程序员的视角出发，使用一系列生动有趣的具体应用实例，运用诙谐的语言以循序渐进的方式比较系统地介绍机器学习的本质思想、基本理论和重要算法，比较细致地剖析线性模型、感知机模型、浅层神经网络、深度神经网络的设计原理与编程方法，引导读者亲自动手从零开始打造和完善机器学习的底层代码，逐步消除对机器学习算法原理的认知盲点，让广大初学者能够较为轻松地掌握机器学习和深度学习的基本理论和编程技术。本书是从零基础初学者的思维角度编写的，适合作为智能科学与技术、数据科学与大数据技术、计算机科学与技术以及相关专业的本科生或研究生的机器学习入门教材，也可供工程技术人员和自学读者学习参考。

译者序
前言
致谢
第一部分 从零开始的图像识别
第1章 机器学习的原理
1.1 编程与机器学习
1.2 监督学习
1.3 魔法背后的数学原理
1.4 设置系统
第2章 首个机器学习程序
2.1 了解问题
2.1.1 监督比萨
2.1.2 理解数据
2.2 编写线性回归代码
2.2.1 定义模型
2.2.2 进行预测
2.2.3 进行训练
2.2.4 计算误差
2.2.5 越来越接近
2.2.6 运行代码
2.3 添加偏置
2.4 小结
2.5 动手研究：设置超参数
第3章 梯度
3.1 算法的缺陷
3.2 梯度下降法
3.2.1 少量数学知识
3.2.2 陡坡速降
3.2.3 脱离平面
3.2.4 偏导数
3.2.5 测试梯度下降法
3.2.6 何时梯度下降法不适用
3.3 小结
3.4 动手研究：露营地问题
第4章 超空间
4.1 添加更多维度
4.2 矩阵代数
4.2.1 矩阵乘法
4.2.2 矩阵转置
4.3 升级学习程序
4.3.1 数据准备
4.3.2 升级预测函数
4.3.3 升级损失函数
4.3.4 升级梯度公式
4.3.5 整合函数
4.4 告别偏置
4.5 最后一次试运行
4.6 小结
4.7 动手研究：统计学家
第5章 能辨识的机器
5.1 线性回归的不足
5.2 S型函数
5.2.1 信心与疑虑
5.2.2 平滑过程
5.2.3 升级梯度
5.2.4 模型函数受到的影响
5.3 操作中的分类函数
5.4 小结
5.5 动手研究：权重的影响
……
第二部分 神经网络
第三部分 深度学习
附录A Python语言入门
附录B 机器学习术语