书籍介绍
本书以多层神经网络、玻尔兹曼机器学习等经典理论为开端，以深度学习为结果，向读者展示了一个非常美妙的机器学习技术领域。内容包括数据采集、数据挖掘、机器学习、支持向量机、神经网络、模型调整、基于玻尔兹曼机器学习的图像处理方法等。
全书以一个众所周知的童话故事为蓝本，加入漫画插图的形式，开拓了一个零基础的读者也能够看懂并且乐于接受的学习方法。
虽然采用漫画插图的表达形式，但是书中对于内容的介绍仍然非常全面，仅仅是去掉了让人不容易理解的数学公式，取而代之的是简单易懂的一问一答的对话形式。
本书适合人工智能、机器学习方向的学生和技术人员学习，也适合广大人工智能爱好者阅读。
目录
用户评论
多来点 画可爱点（）
周末一天看完这本知乎推荐的机器学习入门书。特别适合非技术机器学习爱好者作为入门，有一个基本概念。本书几乎没有一个公式，这样反而有一个好处，就是特别宏观(但作者例子举得特别好又不让其抽象)，作者的注释里面写到了机器学习与统计力学、大脑的关系，有种万法归宗的感觉。PS.也想起了大学在实验室实现涛哥的推荐算法，也是基于物理学的，其实和如今的深度学习思想非常类似。
不喜欢，读了两遍，并非生动有趣，也没有通俗易懂（2019.3.17）
最后两章看不懂了
真的太友好了吧。灰常赞👍
层层递进，欧姆社的这本书真的是太强啦
前面关于线性回归模型和梯度下降的部分讲的不错，但是后面深度学习、神经网络的部分其实并没有看懂，大概只是留了一个印象或者学习到部分思想吧，或许也与我学习进度有关，目前只到了梯度下降后面的一块儿。总觉得，为了做到通俗易懂，书中没有任何数学公式，这样其实做的有点过了，反而更不容易理解，反正不太适合我这样水平的学习者。
特征量，特征向量，回归，最优化问题，参数权重，误差函数，有监督学习，梯度下降法，训练用数据和测试用数据，过度学习，非线性变换，sigmoid函数，多层神经网络模型，误差逆向传播算法，斜坡函数，批量学习和在线学习，概率梯度下降法，分割超平面，感知器，支持向量机，无监督学习，数据挖掘，稀疏矩阵，
3-1回归 权重 误差函数 聚类
最优化 梯度下降 最快梯度下降
3-2训练数据 测试数据 过度学习 交叉验证
数据分组
3-3非线性变换
3-4 中间层 隐层
4-1 BP算法 sigmoid函数 斜坡函数
4-2防止过度学习 中退取舍法 正规化处理
4-3批量学习 在线学习 概率梯度下降法 随机选择
5-2感知器 支持向量机 内核法
5-5 稀疏矩阵 非负矩阵分解
6-1 双向神经网络
6-2 波尔兹曼机 似然度 采样 马尔科夫链蒙特卡罗法 平均场近似法 信息交互法
重构数据 伪数据 最大似然法
前馈神经网络
6-3 变分原理
6-4 隐含变量 受限玻尔兹曼机 对比散度算法
伊辛模型
6-5 深度玻尔兹曼机
7-1预训练 自我符号化法 降维 特征提取
迁移学习
7-2卷积神经网
收藏