序言
前言
第1章 神经网络如何工作
1.1 尺有所短，寸有所长
1.2 一台简单的预测机
1.3 分类器与预测器并无太大差别
1.4 训练简单的分类器
1.5 有时候一个分类器不足以求解问题
1.6 神经元——大自然的计算机器
1.7 在神经网络中追踪信号
1.8 凭心而论，矩阵乘法大有用途
1.9 使用矩阵乘法的三层神经网络示例
1.10 学习来自多个节点的权重
1.11 多个输出节点反向传播误差
1.12 反向传播误差到更多层中
1.13 使用矩阵乘法进行反向传播误差
1.14 我们实际上如何更新权重
1.15 权重更新成功范例
1.16 准备数据
第2章 使用Python进行DIY
2.1 Python
2.2 交互式Python = IPython
2.3 优雅地开始使用Python
2.4 使用Python制作神经网络
2.5 手写数字的数据集MNIST
第3章 趣味盎然
3.1 自己的手写数字
3.2 神经网络大脑内部
3.3 创建新的训练数据：旋转图像
3.4 结语
附录A 微积分简介
A.1 一条平直的线
A.2 一条斜线
A.3 一条曲线
A.4 手绘微积分
A.5 非手绘微积分
A.6 无需绘制图表的微积分
A.7 模式
A.8 函数的函数
附录B 使用树莓派来工作
B.1 安装IPython
B.2 确保各项工作正常进行
B.3 训练和测试神经网络
B.4 树莓派成功了
· · · · · · (收起)
前言
第1章 神经网络如何工作
1.1 尺有所短，寸有所长
1.2 一台简单的预测机
1.3 分类器与预测器并无太大差别
1.4 训练简单的分类器
1.5 有时候一个分类器不足以求解问题
1.6 神经元——大自然的计算机器
1.7 在神经网络中追踪信号
1.8 凭心而论，矩阵乘法大有用途
1.9 使用矩阵乘法的三层神经网络示例
1.10 学习来自多个节点的权重
1.11 多个输出节点反向传播误差
1.12 反向传播误差到更多层中
1.13 使用矩阵乘法进行反向传播误差
1.14 我们实际上如何更新权重
1.15 权重更新成功范例
1.16 准备数据
第2章 使用Python进行DIY
2.1 Python
2.2 交互式Python = IPython
2.3 优雅地开始使用Python
2.4 使用Python制作神经网络
2.5 手写数字的数据集MNIST
第3章 趣味盎然
3.1 自己的手写数字
3.2 神经网络大脑内部
3.3 创建新的训练数据：旋转图像
3.4 结语
附录A 微积分简介
A.1 一条平直的线
A.2 一条斜线
A.3 一条曲线
A.4 手绘微积分
A.5 非手绘微积分
A.6 无需绘制图表的微积分
A.7 模式
A.8 函数的函数
附录B 使用树莓派来工作
B.1 安装IPython
B.2 确保各项工作正常进行
B.3 训练和测试神经网络
B.4 树莓派成功了
· · · · · · (收起)
具体描述
本书首先从简单的思路着手，详细介绍了理解神经网络如何工作所必须的基础知识。第一部分介绍基本的思路，包括神经网络底层的数学知识，第2部分是实践，介绍了学习 Python 编程的流行和轻松的方法，从而逐渐使用该语言构建神经网络，以能够识别人类手写的字母，特别是让其像专家所开发的网络那样地工作。第3部分是扩展，介绍如何将神经网络的性能提升到工业应用的层级，甚至让其在 Raspberry Pi 上工作。
用户评价
评分
##跟着作者一步一步地写完了那个图像识别的神经网络的代码，运行了25分钟，最后正确率是97.44%，还挺有意思的。。。
评分##这本书的内容非常符合其定位，初学者极为友好，推荐！
评分##文科生也能读懂的神经网入门课程，牛逼之处还顺手普及python、线性代数。 深入浅出，而且还能运行。相比之下 国人的表达能力真的是差好几口气。
评分##recap 1，有点太简单了，但是的确非常适合科普阅读，表达很易懂。
评分##这本书这么垃圾居然9.1分, 基本面向大二学生, 浅的不能在浅, 只讲到3层的全连接的神经网络
评分##这本书的内容非常符合其定位，初学者极为友好，推荐！
评分##跟着作者一步一步地写完了那个图像识别的神经网络的代码，运行了25分钟，最后正确率是97.44%，还挺有意思的。。。
评分##这本书的内容非常符合其定位，初学者极为友好，推荐！
评分##满分推荐。 看完一段时间了，才想起来评分。 本书对初学者极为友好，并且篇幅短小精悍，概念讲解明晰易懂，很适合作为神经网络入门第一书。书中作为例子手把手实现的神经网络原理并不复杂，代码量也比较合适，能够轻易跑出很好的结果，对于激发进一步学习的热情很有帮助。 感谢作者。再次推荐。
