深度學習的數學：用數學開啟深度學習的大門

第 1 章 神經網路的概說
1-1 神經網路和深度學習
1-2 神經元行為的數學表示
1-3 啟動函數：將神經元的行為一般化
1-4 什麼是神經網路
1-5 用惡魔來講解神經網路的結構
1-6 將惡魔的行為翻譯成神經網路的語言
1-7 網路自主學習的神經網路

第 2 章 神經網路的數學基礎
2-1 神經網路所需的函數
2-2 有助於理解神經網路的數列和遞推關係式
2-3 神經網路中經常用到的 Σ 符號
2-4 有助於理解神經網路的向量基礎
2-5 有助於理解神經網路的矩陣基礎
2-6 神經網路的微分基礎
2-7 神經網路的偏微分基礎
2-8 誤差反向傳播法必備的連鎖律
2-9 梯度下降法的基礎：多變數函數的近似公式
2-10 梯度下降法的涵義與公式
2-11 用 Excel 體驗梯度下降法
2-12 最優化問題和迴歸分析

第 3 章 神經網路的最佳化
3-1 神經網路的參數和變數
3-2 神經網路的變數的關係式
3-3 學習資料和正解
3-4 神經網路的成本函數
3-5 用 Excel 體驗神經網路

第 4 章 神經網路和誤差反向傳播法
4-1 梯度下降法的回顧
4-2 神經單元誤差 δ
4-3 神經網路和誤差反向傳播法
4-4 用 Excel 體驗神經網路的誤差反向傳播法

第 5 章 深度學習和卷積神經網路
5-1 用小惡魔來講解卷積神經網路的結構
5-2 將小惡魔的行為翻譯成卷積神經網路的語言
5-3 卷積神經網路的變數關係式
5-4 用 Excel 體驗卷積神經網路
5-5 卷積神經網路和誤差反向傳播法
5-6 用 Excel 體驗卷積神經網路的誤差反向傳播法

附錄
A 訓練資料（1）
B 訓練資料（2）
C 用數學式表示模式的相似度