趋近智
神经网络入门
章节 1: 神经网络基本原理
从生物神经元到人工神经元
权重和偏置：网络的参数
激活函数：引入非线性
网络结构：层与连接
一个简单的前馈网络示例
实践：计算神经元输出
章节 2: 为神经网络准备数据
理解输入数据表示
特征缩放：归一化与标准化
处理分类数据：编码技术
构建训练数据批次
数据划分：训练集、验证集和测试集
实践操作：预处理样本数据
章节 3: 前向传播：生成预测结果
网络中的信息流动
线性变换：加权和计算
逐层应用激活函数
高效计算的矩阵运算
计算最终输出预测
动手实践：实现前向传播
章节 4: 训练：反向传播与梯度下降
评估性能：损失函数
梯度下降的原理
反向传播：高效计算梯度
更新权重和偏差
学习率及其作用
随机梯度下降 (SGD) 及其变体
实践：手动计算梯度
章节 5: 构建与训练简单神经网络
搭建网络结构
初始化权重与偏置
训练循环的结构
实现训练步骤
监控训练进程
深度学习框架（TensorFlow/PyTorch）简介
动手实践：训练一个简单分类器
章节 6: 提升网络性能及泛化能力
理解过拟合和欠拟合
验证集的作用
正则化方法：L1 和 L2
Dropout：随机停用神经元
早期停止：优化训练终止
超参数调优策略
实践：应用正则化
处理分类数据：编码技术
这部分内容有帮助吗？
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 一本实用的机器学习指南，涵盖数据预处理技术，包括分类特征编码，适用于机器学习和深度学习的入门学习，并使用常用库进行实践。
- sklearn.preprocessing.OneHotEncoder, scikit-learn developers, 2024 - 官方文档，解释了分类特征独热编码的原理和用法，包含使用scikit-learn库的实际示例。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本基础教材，提供了深度学习的全面理论背景，包括对分布式表示（嵌入）及其在高维数据处理中的作用的讨论。
- Feature Hashing for Large Scale Multitask Learning, Kilian Q. Weinberger, Anirban Dasgupta, John Langford, Alex Smola, Tony Attwood, 2009 Proceedings of the 26th International Conference on Machine Learning (ICML), Vol. 5 (ACM) DOI: 10.1145/1553374.1553516 - 一篇开创性论文，介绍了特征哈希（哈希技巧）作为一种高效处理高维分类特征的技术，特别适用于大规模机器学习问题。