具體描述
內容介紹
《深度學習》由全球zhiming的三位專傢Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分係統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方嚮和想法，它們被公認為是深度學習未來的研究重點。
《深度學習》適閤各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師。
目錄
第 1 章 引言 1
11 本書麵嚮的讀者 7
12 深度學習的曆史趨勢 8
121 神經網絡的眾多名稱和命運變遷 8
122 與日俱增的數據量 12
123 與日俱增的模型規模 13
124 與日俱增的精度、復雜度和對現實世界的衝擊 15
第 1 部分 應用數學與機器學習基礎
第 2 章 綫性代數 19
21 標量、嚮量、矩陣和張量 19
22 矩陣和嚮量相乘 21
23 單位矩陣和逆矩陣 22
24 綫性相關和生成子空間 23
25 範數 24
26 特殊類型的矩陣和嚮量 25
27 特徵分解 26
28 奇異值分解 28
29 Moore-Penrose 僞逆 28
210 跡運算 29
211 行列式 30
212 實例：主成分分析 30
第 3 章 概率與信息論 34
31 為什麼要使用概率 34
32 隨機變量 35
33 概率分布 36
331 離散型變量和概率質量函數 36
332 連續型變量和概率密度函數 36
34 邊緣概率 37
35 條件概率 37
36 條件概率的鏈式法則 38
37 獨立性和條件獨立性 38
38 期望、方差和協方差 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 指數分布和 Laplace 分布 41
395 Dirac 分布和經驗分布 42
396 分布的混閤 42
310 常用函數的有用性質 43
311 貝葉斯規則 45
312 連續型變量的技術細節 45
313 信息論 47
314 結構化概率模型 49
第 4 章 數值計算 52
41 上溢和下溢 52
42 病態條件 53
43 基於梯度的優化方法 53
431 梯度之上：Jacobian 和 Hessian 矩陣 56
44 約束優化 60
45 實例：綫性ZUI小二乘 61
第 5 章 機器學習基礎 63
51 學習算法 63
511 任務 T 63
512 性能度量 P 66
513 經驗 E 66
514 示例：綫性迴歸 68
52 容量、過擬閤和欠擬閤 70
521 沒有免費午餐定理 73
522 正則化 74
53 超參數和驗證集 76
531 交叉驗證 76
54 估計、偏差和方差 77
541 點估計 77
542 偏差 78
543 方差和標準差 80
544 權衡偏差和方差以ZUI小化均方誤差 81
545 一緻性 82
55 ZUI大似然估計 82
551 條件對數似然和均方誤差 84
552 ZUI大似然的性質 84
56 貝葉斯統計 85
561 ZUI大後驗 (MAP) 估計 87
57 監督學習算法 88
571 概率監督學習 88
572 支持嚮量機 88
573 其他簡單的監督學習算法 90
58 無監督學習算法 91
581 主成分分析 92
582 k-均值聚類 94
59 隨機梯度下降 94
510 構建機器學習算法 96
511 促使深度學習發展的挑戰 96
5111 維數災難 97
5112 局部不變性和平滑正則化 97
5113 流形學習 99
第 2 部分 深度網絡：現代實踐
第 6 章 深度前饋網絡 105
61 實例：學習 XOR 107
62 基於梯度的學習 110
621 代價函數 111
622 輸齣單元 113
63 隱藏單元 119
631 整流綫性單元及其擴展 120
632 logistic sigmoid 與雙麯正切函數 121
633 其他隱藏單元 122
64 架構設計 123
641 萬能近似性質和深度 123
642 其他架構上的考慮 126
65 反嚮傳播和其他的微分算法 126
用戶評價
評分
評分
評分
評分
評分
評分
評分
評分
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有