神經網路與機器學習第3版學習筆記
-初學者的筆記，記錄花時間思考的各種疑惑
本文主要闡述該書在數學推導上一筆帶過的地方。參考學習，在流暢理解書本內容的同時，還能溫顧學過的數學知識，達到事半功倍的效果。
1.1 logistic函式在原點的傾斜率等於a/4？
$\,\,\varphi \left( v \right) =\frac}\rightarrow \,\,\varphi』\left( v \right) =\frac} \right) ^2}\rightarrow \varphi \left( 0 \right) =\frac$
※logistic函式 $f\left( x \right) =\frac}$ 相關知識補充。
$\because \,\,f』\left( x \right) =\frac} \right) ^2}$
$\therefore \,\,f』\left( x \right) =f\left( x \right) \cdot \left( 1-f\left( x \right) \right) $
1.2 signum函式 $sgn \left( x \right) =\frac$
中文名：正負號函式，又稱為符號函式。
※與絕對值函式 $f\left( x \right) =\left| x \right|$ 的關係：$sgn \left( x \right) =f』\left( x \right) $。
2.1 二項式 $\left( 1-wz^ \right) ^$ 展開結果為 $\frac}w^l}z^$ ？
$\because $廣義二項式定理：$\left( x+y \right) ^=\underset}c_^x^y^k$
$\therefore \left( 1-x \right) ^=\frac=\frac}c_^x^l}$
$\therefore \left( 1-wz^ \right) ^=\frac}c_^\left( wz^ \right) ^l}=\frac}w^l}z^$
3.1 圖14中的輸出訊號指的是第一次的輸入訊號所產生的輸出，而不是該次的總輸出。
機器學習 神經網路
神經網路中最基本的成分是 神經元 模型，在生物神經網路中，每個神經元與其他神經元相連，當他 興奮 時，就會向相連的神經元傳送化學物質，從而改變這些神經元類的電位 如果某神經元的電位超過乙個 閾值 那麼他就會被啟用。將上述描述當成乙個數學模型 m p神經元模型，神經元接收來自n個神經元傳遞過來的輸入訊...
機器學習 神經網路
序列模型屬於通用模型的一種，因為很常見，所以這裡單獨列出來進行介紹，這種模型各層之間是依次順序的線性關係，在第k層合第k 1層之間可以加上各種元素來構造神經網路這些元素可以通過乙個列表來制定，然後作為引數傳遞給序列模型來生成相應的模型。01 keras model sequential.py fro...
機器學習 神經網路
人工神經網路被用於處理大量輸入以及非線性問題。與回歸方法不同，回歸方法只能處理未知數組成的多項式構成的線性問題，即只能處理簡單的關於未知數多項式的非線性問題。而神經網路利用多層網路這一優勢，能夠處理複雜的非線性問題。theta 的維數為s times s j 1 如上圖所示，分類問題分為兩種 對於這...