第一部分　基础知识

第一部分主要讲解了机器学习中3个重要的算法模型，分别为线性回归模型、逻辑回归模型与Softmax多分类器模型。在人工智能领域中，深度学习是机器学习中的一个重要分支，第一部分详解的这3个模型与深度学习有着千丝万缕的联系，并且对深度学习模型工作原理的理解很有帮助。

第1章从线性回归模型能够解决的问题入手，逐步介绍线性回归模型的构建与训练方式。读者可以从中会学习到一个在机器学习中至关重要的算法—梯度下降算法，梯度下降算法是机器学习中寻找模型最优参数值的方法，在本书后续所有章节中都会使用这个算法来完成对模型的训练。读者通过对这一章的学习能够理解机器学习模型中各种术语（如数据的特征与标签、损失函数、正则项等）的含义，模型的构建与训练的过程，以及在模型训练过程中会经常遇到的过拟合现象出现的原因与解决办法。该章最后应用线性回归模型来对实际房价进行预测，展示线性回归模型在实际项目中的应用。

逻辑回归模型与Softmax多分类器模型分别为二分类器与多分类器。在深度学习模型中，通常将逻辑回归模型放到模型的最后一层中完成二分类的分类任务，或者在最后一层使用Softmax多分类器模型来完成多分类任务。第2章中的二元交叉熵与第3章中的多元交叉熵在深度学习中有着广泛的应用，希望读者能够深入掌握其原理并通过实战代码来彻底掌握其应用。这两章会分别介绍如何使用泰坦尼克数据集与MNIST数据集来应用逻辑回归模型和Softmax多分类器模型完成二分类与多分类项目。