具体描述
内容介绍
《深度学习》由全球zhiming的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。
《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。
目录
第 1 章 引言 1
11 本书面向的读者 7
12 深度学习的历史趋势 8
121 神经网络的众多名称和命运变迁 8
122 与日俱增的数据量 12
123 与日俱增的模型规模 13
124 与日俱增的精度、复杂度和对现实世界的冲击 15
第 1 部分 应用数学与机器学习基础
第 2 章 线性代数 19
21 标量、向量、矩阵和张量 19
22 矩阵和向量相乘 21
23 单位矩阵和逆矩阵 22
24 线性相关和生成子空间 23
25 范数 24
26 特殊类型的矩阵和向量 25
27 特征分解 26
28 奇异值分解 28
29 Moore-Penrose 伪逆 28
210 迹运算 29
211 行列式 30
212 实例：主成分分析 30
第 3 章 概率与信息论 34
31 为什么要使用概率 34
32 随机变量 35
33 概率分布 36
331 离散型变量和概率质量函数 36
332 连续型变量和概率密度函数 36
34 边缘概率 37
35 条件概率 37
36 条件概率的链式法则 38
37 独立性和条件独立性 38
38 期望、方差和协方差 38
39 常用概率分布 39
391 Bernoulli 分布 40
392 Multinoulli 分布 40
393 高斯分布 40
394 指数分布和 Laplace 分布 41
395 Dirac 分布和经验分布 42
396 分布的混合 42
310 常用函数的有用性质 43
311 贝叶斯规则 45
312 连续型变量的技术细节 45
313 信息论 47
314 结构化概率模型 49
第 4 章 数值计算 52
41 上溢和下溢 52
42 病态条件 53
43 基于梯度的优化方法 53
431 梯度之上：Jacobian 和 Hessian 矩阵 56
44 约束优化 60
45 实例：线性ZUI小二乘 61
第 5 章 机器学习基础 63
51 学习算法 63
511 任务 T 63
512 性能度量 P 66
513 经验 E 66
514 示例：线性回归 68
52 容量、过拟合和欠拟合 70
521 没有免费午餐定理 73
522 正则化 74
53 超参数和验证集 76
531 交叉验证 76
54 估计、偏差和方差 77
541 点估计 77
542 偏差 78
543 方差和标准差 80
544 权衡偏差和方差以ZUI小化均方误差 81
545 一致性 82
55 ZUI大似然估计 82
551 条件对数似然和均方误差 84
552 ZUI大似然的性质 84
56 贝叶斯统计 85
561 ZUI大后验 (MAP) 估计 87
57 监督学习算法 88
571 概率监督学习 88
572 支持向量机 88
573 其他简单的监督学习算法 90
58 无监督学习算法 91
581 主成分分析 92
582 k-均值聚类 94
59 随机梯度下降 94
510 构建机器学习算法 96
511 促使深度学习发展的挑战 96
5111 维数灾难 97
5112 局部不变性和平滑正则化 97
5113 流形学习 99
第 2 部分 深度网络：现代实践
第 6 章 深度前馈网络 105
61 实例：学习 XOR 107
62 基于梯度的学习 110
621 代价函数 111
622 输出单元 113
63 隐藏单元 119
631 整流线性单元及其扩展 120
632 logistic sigmoid 与双曲正切函数 121
633 其他隐藏单元 122
64 架构设计 123
641 万能近似性质和深度 123
642 其他架构上的考虑 126
65 反向传播和其他的微分算法 126
用户评价
评分
评分
评分
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版权所有