符合日本人一贯的风格，名字高大上，内容幼稚园

好的入门书就该这么写啊，而且别以为看上去简单就真的很浅。

优点：书很薄，注重细节，大量图示方便理解记忆。 缺点：数学公式太多，容易让人产生困惑。亮点：excel验证法。 总结：作为入门书，对于理解深度学习可以一读。

四五小时就能看完，跟着书就能把反向传播算法手撸一遍，东西不多但都是干货。书里激活函数是sigmoid，推荐还是照葫芦画瓢自己用ReLU自己再撸一遍。

神经网络运用的数学理论是非常简单的，基本上是比较基础的数学知识。然而，很多文献大量使用公式和专业术语，令人难以看透神经网络的本质，这对于今后人工智能的发展是莫大的不幸和障碍。本书作为人工智能的入门书，打破了这种障碍，让所有人都能够体会到神经网络的趣味性。是一本很友好的书，可读性很强！

那个什么小恶魔这种东西毫无意义，但是讲梯度下降和误差反向传播这个讲的比较清楚和简单版

4.5，这才是真正的入门书，用简单的语言讲明白数学原理，和其他上来就各种不认识的数学符号相比，更容易了解数学对于deep learning的本质性意义，这样下一本纯数的看起来就好理解了。要加快线代和微积分的速度了！

书里用Excel跑深度学习用到了Excel里的规划求解来做优化，仔细看了下，用的算法是非线性GRG方法，GRG 全称是 Generalized Reduced Gradient，中文叫广义简约梯度法。确实用到了梯度下降的思想，但是小规模玩具级的。因为Excel里参数有限制，个数仅为200多个，而在神经网络的世界中，权重和偏置的个数成千上万。所以这本书说Excel可以做深度学习，也挺勉强的啦。

看后觉得有趣的不是多层次的神经网络和卷积神经网络，而是“误差反向传播法”去实现“梯度下降法”中绕开“计算复杂的偏导数”呢！

这个对我而言确实太过于简单了

本想看些相关的数学，但谁知道这书内容太浅了。但日系书的特点是讲解得逻辑清晰易懂，从神经细胞none or all的特性到人工神经单元再到神经网络和深度学习，串得比较好，相关数学基础也科普到位，并用简单的例子将不太具可解释性的神经网络做了原理解释，比较不错。选择excel做实验工具，让神经网络计算过程完全展示出来，比成熟的AI工具更有助于理解原理。但对初始参数的设定以及原理外的内容讲的太少，导致全书就只是入门级的科普书。

我觉得和brillian.org上课程差不多

对我的课程很有帮助，学习神经网络但是数学不太好的话可以看这个

神经网络算法的基本数学原理。个人感觉用Excel来操作挺多余的，主要是为了展示算法的迭代计算。核心思想并不复杂。可以作为初步了解神经网络算法的数学原理的入门。

不过如此的喃喃之作。Excel让人惊掉眼镜。 看完后发现是日本人写的书，回想起这个“数学基础”，联想到卧室书架里那本吃灰的《程序员的数学》，我有点瞠目结舌。

日本人擅长用图和举例来把复杂的东西解释明白。这书讲解深度学习的原理。总体有点浅，亮点是讲的浅显易懂。前面1-4章都很棒，第5章讲卷积没讲好。

对于生命来说，神经元忽略微小的输入信号，这是十分重要的。反之，如果神经元对于任何微小的信号都变得兴奋，神经系统就将“情绪不稳定”。

实际的神经网络需要处理更多变量的二次函数。

这本书讲深度学习深入浅出的进行了讨论，首先讲神经网络的原理即分为输入层，隐藏层，输出层。输入层即数据，隐藏层相当于特征截取层，分为多个特征探测器，特征探测器有各自的侧重，在数据中筛选符合侧重的特征...

神经元 y=a(w1x1+w2x2+w3x3+b) a激活函数阶跃函数或者sigmoid w1, w2, w3权重 x1, x2, x3输入 b偏置 y输出 0或者1表示有输出或者没有输出 神经网络 输入层隐藏层输出层 为了确定神经网络的权重和偏置，实现给予数...

ディープラーニングがわかる数学入門

《深度学习的数学》，入门书，如果忽略公式章节，大约一两天就能读完。比较有趣的两段是“用小恶魔来讲解卷积神经网络的结构”和“用excel体验卷积神经网络”。 深度学习是机器学习的技术子集，它使用连接系统或神经网络进行机器学习，通过学习提取分类问题的特征执行自动化的...

深度学习的小小思考

日本生活曾给我了很多文化休克，这本书给我体现得淋漓尽致： - 对Excel的病态热爱：他们可以用Excel做一切事情，在Excel上模拟神经网络，在Excel上画画，在Excel上做蒙特卡洛模拟，在Excel上填写学生签证申请……日本人对于自己的国家有很多美誉，色彩之国啦，诸如此类，但其实...

我现在才知道数学不好的人数学有多不好

随着AI的飞跃式发展，深度学习被越来越频繁地提到。可以将深度学习理解为传统神经网络的升级版。传统神经网络是对生物神经网络进行模拟的最初数学模型，通常只包含1-2个隐藏层。而深度学习中包含大量的隐藏层，也因此而得其名。通过增加网络深度和改进训练方法，深度学习极大的...

数学在深度学习中的应用

对于小白来说，想快速入门的话，这是深度学习入门最好的书籍，没有之一。浅显易懂，书中有大量插图。有高等数学基础看起来就不困难。之前看过不少教程，要么花很长时间讲原理，还么原理一带而过。这本书用最短的时间讲清了原理。真棒。 对于小白来说，想快速入门的话，这是深度...

深度学习入门最好的书籍

从事着跟计算机没什么大关系的行业，纯粹为了了解下AI的基本知识，这本书很合适，以前看了数学女孩的系列书，感觉日本的数学方面还是很有底蕴的，至少有些一些人致力于这个方面，能把复杂的知识用简单的方式讲清楚，一定对其有着很深的认识，把握关键点通过比喻类比之类的方式...

日本人的数学书写的通俗易懂，值得学习

偏导。链式法则。 梯度下降法求多元函数的最小值。拉格朗日乘数法。 误差反向传播法确定神经网络的权重和偏置。特点是将繁杂的导数计算替换为数列的递推关系式，而提供这些递推关系式的就是名为神经单元误差(error)的变量。 利用代价函数求最优化问题。 卷积神经网络。隐藏层是...

摘要笔记

日本的数学书感觉非常适合入门，总是从最简单的知识开始，直到最后一两章才开始上难度。 从书中来看，深度学习数学逻辑并不复杂，理论上像是回归分析在多元维度下的延伸。困难的是权重和偏置（以及过滤层，但似乎过滤层也只是加入更多的参数构成的向量而已）这样的参数数量过于...

无公式的深度学习梗概

1. 链式求导法则 2. 矩阵或者线性代数是求方程组的解的数学工具 3. 但是最优化是求约束条件最小值的参数解的数学工具，特别是凸优化4. 拉格朗日乘数法是最优化中的一个常用工具，本质上转化为求目标函数对参数的导数，导数为零则求得最优值 5. 但是神经网络的直接解析表达式难...