这一系列文章均来自Victor Zhou，他对神经网络的讲解，让我这个数学基础贼差的人也能够很容易地理解，所以决定进行翻译，作为我机器学习的入门教程吧。作者后续发表的相关文章均会汇总到这里。如果我在机器学习领域发现了其他能够补充的材料，也会放到这里。
这个四篇系列文章特别针对初学者，为理解神经网络提供了一种面向基本原理的方法。在深入研究两种流行的变体：递归神经网络（RNN）和卷积神经网络（CNN）之前，我们将为初学者提供经典神经网络的介绍。
对于每种类型的网络，我们将：
- 查看网络的结构。
- 了解使用该类型网络的动机。
- 介绍一个可以使用该网络解决的现实问题。
- 手动推导训练我们特定问题的网络所需的梯度。
- 在Python中完全从头开始（仅使用numpy）实现功能全面的网络。
知识背景
无需机器学习或神经网络知识基础，但是，以下知识背景可以帮助你更快入门：
- 多元微积分，用于得出训练我们的网络所需的梯度时使用。如果您没有该知识背景，可以跳过这些梯度推导。
- 线性代数，特别是矩阵，通常是表示神经网络权重的最佳方法。
- Python 3，仅需基础水平即可。
译者注：虽然作者说仅要求基础，但是还是建议大家（1）掌握python序列、函数、类、循环、条件等相关概念，尤其是类，其实我觉得它已经超出了基础的范畴……（2）掌握numpy库，这个熟悉一遍了解各个方法的作用就行，我当时是专门学了一遍的，不过被秩轴位的概念搞疯了……（3）如上所述，需要你掌握多元微积分，不过这个好像高中就讲过了，至少我一个文科生都懂；线性代数，回去翻翻教材吧……
译者在学python和numpy的时候做了笔记，你可以参考：
系列文章
基础-softmax
在正式入门神经网络之前，推荐大家先看一下上面这个关于softmax的简要介绍，因为从第二篇文章起就要开始用到，而且是CNN和RNN重要组成部分。
阅读顺序如下，主要是根据一些概念出现的顺序来决定的，如果跳读的话很有可能遇到一些不明白的概念，又要回过头看前面的文章。
持续更新中……
另外我专门为这篇文章写了一篇名词手册，包含了中英文对照，您可随时查阅：
更深入地学习
想要更深入地学习？可以参考以下内容：
- 使用Keras构建您的第一个神经网络。
- 学习合适的机器学习库，例如更大/更好的神经网络Tensorflow，Keras和PyTorch。
- 尝试使用神经网络来参与Kaggle数据科学竞赛。
- 斯坦福大学CS231n（关于CNN）课程的笔记。
- Coursera上有许多优秀的神经网络。
版权属于：雁陎
本文链接：https://www.sitstars.com/archives/50/
转载时须注明出处及本声明