本书以非常容易理解的方式解说了人工智能研究中机器学习的各领域知识，以这些知识为前提，说明了深度学习是什么。本书不是单纯地罗列概念，而是通过适当介绍具体处理流程和程序示例，来具体化地、易于理解地介绍这些技术到底是什么。

无

当前，关于人工智能的研究非常引人瞩目。作为其支柱之一的深度学习，是人工智能研究至今为止所积累的机器学习成果。特别是在语音识别、图像识别、行为知识获取等方面，深度学习取得了非常大的成功。
本书以非常容易理解的方式解说了人工智能研究中机器学习的各领域知识，以这些知识为前提，说明了深度学习是什么。本书不是单纯地罗列概念，而是通过适当介绍具体处理流程和程序示例，来具体化地、通俗易懂地介绍这些技术到底是什么。
本书通过例题程序来具体说明机器学习和深度学习的相关技术。一般而言，运行深度学习程序的机器必须有强大的计算能力才行。但是，在本书的例题程序中，经过精心设计，将深度学习处理的核心骨架部分提取了出来，在普通的个人计算机上也能运行。假设运行环境为Windows，通过Visual Studio等开发工具来编译程序，给定适当的数据，就能够执行例题程序。通过尝试执行程序，读者能够更具体、更深入地理解机器学习和深度学习相关的技术。
本书是Ohmsha先前出版的《はじぬての机械学习》的姐妹篇。《はじぬての机械学习》广泛叙述了机器学习相关的话题。与此相对的是，本书以深度学习为主题，并对相关内容做了有针对性的处理。本书和上一本书有一些话题是重复的，但本书的说明方式和例题设计，是为了更好地理解深度学习而原创的。
能够完成本书，离不开作者在福井大学从事教育研究活动所积累的经验，感谢福井大学的教职员和学生。此外，感谢Ohmsha的同仁给予了出版本书的机会。最后，感谢支持我完成本书的家庭成员（洋子、研太郎、桃子、优）。

2016年4月

机器学习

本书以深度学习为关键字讲述机器学习与深度学习的相关知识，对基本理论的讲述通俗易懂，不涉及复杂的数学理论，适用于对机器学习与深度学习感兴趣的初学者。当前机器学习的书籍一般只讲述理论，没有具体的程序实例。有些以实例为主的机器学习书籍则依赖于一些函数库或工具，无法理解其内部算法原理。本书没有使用任何外部函数库或工具，通过C语言程序来实现机器学习和深度学习算法，读者不太理解相关理论时，可以通过C语言程序代码来进行学习。
本书从强化学习、蚁群最优化方法、神经网络、深度学习等出发，分阶段介绍机器学习的各种算法，通过分析C语言程序代码，实际执行C语言程序，使读者能快速步入机器学习和深度学习殿堂。本书代码和数据可从下面网址下载：https://cs.nju.edu.cn/rinc/book2017.html

前言
第1章　机器学习1
1.1　什么是机器学习1
1.1.1　深度学习的成果1
1.1.2　学习、机器学习和深度学习6
1.1.3　机器学习的分类9
1.1.4　直至深度学习的机器学习历史15
1.2　关于本书例题程序的执行环境25
1.2.1　程序执行的流程25
1.2.2　程序执行的实际情况27
第2章　机器学习基础31
2.1　归纳学习31
2.1.1　演绎学习和归纳学习31
2.1.2　归纳学习的例题—股票价格的预测32
2.1.3　基于归纳学习的股价预测程序37
2.2　强化学习46
2.2.1　什么是强化学习46
2.2.2　Q学习—强化学习的具体方法48
2.2.3　强化学习的例题—走迷宫知识的学习53
2.2.4　强化学习程序的实现56
第3章　群体智能与演化方法65
3.1　群体智能65
3.1.1　粒子群最优化方法65
3.1.2　蚁群最优化方法67
3.1.3　蚁群最优化方法的实现70
3.2　演化方法81
3.2.1　什么是演化方法81
3.2.2　基于遗传算法的知识获取84
第4章　神经网络101
4.1　神经网络基础101
4.1.1　人工神经元模型101
4.1.2　神经网络与学习105
4.1.3　神经网络的种类107
4.1.4　人工神经元的计算方法108
4.1.5　神经网络的计算方法115
4.2　基于反向传播的神经网络的学习121
4.2.1　感知机的学习过程121
4.2.2　反向传播的处理过程123
4.2.3　反向传播的实现125
第5章　深度学习139
5.1　什么是深度学习139
5.1.1　传统神经网络的局限和深度学习的思路139
5.1.2　卷积神经网络142
5.1.3　自编码器的学习方法145
5.2　深度学习的实现147
5.2.1　卷积运算的实现148
5.2.2　卷积神经网络的实现156
5.2.3　自编码器的实现170
附录A　生成行李的重量和价值的程序183
附录B　通过全搜索求解背包问题的程序185
参考文献189