第1 章　神經網絡的思想

1 - 1　神經網絡和深度學習 2

1 - 2　神經元工作的數學表示 6

1 - 3　激活函數：將神經元的工作一般化 12

1 - 4　什么是神經網絡 18

1 - 5　用惡魔來講解神經網絡的結構 23

1 - 6　將惡魔的工作翻譯為神經網絡的語言 31

1 - 7　網絡自學習的神經網絡 36

第2 章　神經網絡的數學基礎

2 - 1　神經網絡所需的函數 40

2 - 2　有助于理解神經網絡的數列和遞推關系式 46

2 - 3　神經網絡中經常用到的Σ符號 51

2 - 4　有助于理解神經網絡的向量基礎 53

2 - 5　有助于理解神經網絡的矩陣基礎 61

2 - 6　神經網絡的導數基礎 65

2 - 7　神經網絡的偏導數基礎 72

2 - 8　誤差反向傳播法必需的鏈式法則 76

2 - 9　梯度下降法的基礎：多變量函數的近似公式 80

2 - 10　梯度下降法的含義與公式 83

2 - 11　用Excel 體驗梯度下降法 91

2 - 12　*優化問題和回歸分析 94

第3 章　神經網絡的*優化

3 - 1　神經網絡的參數和變量 102

3 - 2　神經網絡的變量的關系式 111

3 - 3　學習數據和正解 114

3 - 4　神經網絡的代價函數 119

3 - 5　用Excel體驗神經網絡 127

第4 章　神經網絡和誤差反向傳播法

4 - 1　梯度下降法的回顧 134

4 - 2　神經單元誤差 141

4 - 3　神經網絡和誤差反向傳播法 146

4 - 4　用Excel體驗神經網絡的誤差反向傳播法 153

第5 章　深度學習和卷積神經網絡

5 - 1　小惡魔來講解卷積神經網絡的結構 168

5 - 2　將小惡魔的工作翻譯為卷積神經網絡的語言 174

5 - 3　卷積神經網絡的變量關系式 180

5 - 4　用Excel體驗卷積神經網絡 193

5 - 5　卷積神經網絡和誤差反向傳播法 200

5 - 6　用Excel體驗卷積神經網絡的誤差反向傳播法 212

附錄　

A　訓練數據（1） 222

B　訓練數據（2） 223

C　用數學式表示模式的相似度 225