白話機器學習的數學

立石賢吾（作者）

 SmartNews公司的機器學習工程師。
從日本佐賀大學畢業後曾就職於數家開發公司，並於2014年入職LINE Fukuoka，
在該公司於日本福岡市成立的數據分析和機器學習團隊中，
負責利用機器學習開發推薦系統、文本分類等產品，並擔任團隊負責人。
2019年入職SmartNews公司，擔任現職。

鄭明智（譯者）

智慧醫療工程師。
主要研究方向為醫療與前沿ICT技術的結合及其應用，密切關註人工智能、5G、量子計算等領域。
譯有《松本行弘：編程語言的設計與實現》《深度學習基礎與實踐》
《詳解深度學習：基於TensorFlow和Keras學習RNN》。 

目錄：  
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章學習回歸——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 *小二乘法22  
2.4多項式回歸41  
2.5多重回歸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權重向量的更新表達式74  
3.4線性可分80  
3.5邏輯回歸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線性不可分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回歸問題的驗證112  
4.2.2分類問題的驗證117  
4.2.3 *確率和召回率121  
4.2.4 F值125  
4.3正則化130  
4.3.1過擬合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包含正則化項的表達式的微分140  
4.4學習曲線144  
4.4.1欠擬合144  
4.4.2區分過擬合與欠擬合146 
 
第5章實現——使用Python編程153  
5.1使用Python實現154  
5.2回歸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多項式回歸的實現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——邏輯回歸188  
5.4.1確認訓練數據188  
5.4 .2邏輯回歸的實現189  
5.4.3驗證194  
5.4.4線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應用了正則化的實現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複合函數227  
A.5向量和矩陣229  
A.6幾何向量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