深度学习入门

译者序
原书序
原书前言
第1章 绪论
第2章 机器学习与深度学习
2.1 为什么要进行深度学习
2.2 什么是机器学习
2.2.1 典型任务
2.2.2 形式各异的数据集
2.3 统计学基础
2.3.1 样本和估计
2.3.2 点估计
2.3.3 极大似然估计
2.4 机器学习基础
2.4.1 监督学习
2.4.2 小二乘法线性回归
2.4.3 基于概率的线性回归
2.4.4 小二乘法与 法
2.4.5 过度拟合与泛化
2.4.6 正则化
2.4.7 分类
2.4.8 分类方法
2.4.9 logistic回归
2.4.10 softmax回归
2.5 特征学习与深度学习的进展
2.5.1 特征学习
2.5.2 深度学习的出现
第3章 神经网络
3.1 神经细胞网络
3.2 形式神经元
3.3 感知器
3.3.1 由形式神经元到感知器
3.3.2 感知器与马文·明斯基（Marvin Lee Minsky）
3.4 顺序传播神经网络的组成
3.4.1 神经元和顺序传播神经网络
3.4.2 输入层
3.4.3 中间层
3.4.4 输出层
3.4.5 函数模型
3.5 神经网络的机器学习
3.5.1 回归
3.5.2 二元分类
3.5.3 多元分类
3.6 激活函数
3.6.1 sigmoid函数及其变体
3.6.2 正则化线性函数
3.6.3 maxout
3.7 为什么深度学习是重要的
第4章 基于梯度下降法的机器学习
4.1 梯度下降法