正版 深度学习 数学工具和机器学习算法教程书籍 深度学习方法和技术 epub pdf mobi txt 电子书 下载 2024

正版 深度学习 数学工具和机器学习算法教程书籍 深度学习方法和技术 epub pdf mobi txt 电子书 下载 2024

正版 深度学习 数学工具和机器学习算法教程书籍 深度学习方法和技术 epub pdf mobi txt 电子书 下载 2024

商品参数

书名：深度学习

作者：[美]IanGoodfellow（伊恩·古德费洛）

ISBN：9787115461476

出版社：人民邮电出版社

出版时间：2017年8月

印刷时间：2017年8月

字数：字

页数：500页

开本：16开

包装：平装

重量：g

定价：168元

编辑

AI圣经！深度学习领域奠基性的经典书！长期位居美国**逊AI和机器学习类图书！所有数据科学家和机器学习从业者的bi读图书！特斯拉CEO埃隆·马斯克等国内外众多专**荐！中文版由北京大学数学科学学院统计学教授张志华审校。

深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。因为计算机能够从经验中获取知识，所以不需要人类来形式化地定义计算机需要的所有知识。层次概念允许计算机通过构造简单的概念来学习复杂的概念，而这些分层的图结构将具有很深的层次。本书会介绍深度学习领域的许多主题。

本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线、生物信息学以及视频游戏方面的应用。*后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

封面特色：由艺术家DanielAmbrosi提供的**公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用JosephSmarr（Google）和ChirsLamb（NVIA）修改后的GoogleDeepDream开源程序，创造了DanielAmbrosi的“幻景”。

内容简介

《深度学习》由知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville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**。

《深度学习》适合各类读者阅读，包括相关的大学生或研究生，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

1.1本书面向的读者...................................................................7

1.2深度学习的历史趋势..............................................................8

1.2.1神经网络的众多名称和命运变迁................................................8

1.2.2与日俱增的数据量............................................................12

1.2.3与日俱增的模型规模..........................................................13

1.2.4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

2.1标量、向量、矩阵和张量.........................................................19

2.2矩阵和向量相乘..................................................................21

2.3单位矩阵和逆矩阵...............................................................22

2.4线性相关和生成子空间..........................................................23

2.5范数..............................................................................24

2.6特殊类型的矩阵和向量..........................................................25

2.7特征分解.........................................................................26

2.8奇异值分解......................................................................28

2.9Moore-Penrose伪逆..............................................................28

2.10迹运算..........................................................................29

2.11行列式..........................................................................30

2.12实例：主成分分析...............................................................30

第3章概率与信息论....................................................................34

3.1为什么要使用概率...............................................................34

3.2随机变量.........................................................................35

3.3概率分布.........................................................................36

3.3.1离散型变量和概率质量函数...................................................36

3.3.2连续型变量和概率密度函数...................................................36

3.4边缘概率.........................................................................37

3.5条件概率.........................................................................37

3.6条件概率的链式法则.............................................................38

3.7**性和条件**性.............................................................38

3.8期望、方差和协方差.............................................................38

3.9常用概率分布....................................................................39

3.9.1Bernoulli分布...............................................................40

3.9.2Multinoulli分布.............................................................40

3.9.3高斯分布....................................................................40

3.9.4指数分布和Laplace分布.....................................................41

3.9.5rac分布和经验分布........................................................42

3.9.6分布的混合..................................................................42

3.10常用函数的有用性质............................................................43

3.11贝叶斯规则.....................................................................45

3.12连续型变量的技术细节.........................................................45

3.13信息论..........................................................................47

3.14结构化概率模型................................................................49

第4章数值计算........................................................................52

4.1上溢和下溢......................................................................52

4.2病态条件.........................................................................53

4.3基于梯度的优化方法.............................................................53

4.3.1梯度之上：Jacobian和Hessian矩阵...........................................56

4.4约束优化.........................................................................60

4.5实例：线性*小二乘.............................................................61

第5章机器学习基础....................................................................63

5.1学习算法.........................................................................63

5.1.1任务T.....................................................................63

5.1.2性能度量P..................................................................66

5.1.3经验E......................................................................66

5.1.4示例：线性回归..............................................................68

5.2容量、过拟合和欠拟合...........................................................70

5.2.1没有午餐定理............................................................73

5.2.2正则化......................................................................74

5.3超参数和验证集..................................................................76

5.3.1交叉验证....................................................................76

5.4估计、偏差和方差................................................................77

5.4.1点估计......................................................................77

5.4.2偏差........................................................................78

5.4.3方差和标准差................................................................80

5.4.4权衡偏差和方差以*小化均方误差.............................................81

5.4.5一致性......................................................................82

5.5*大似然估计....................................................................82

5.5.1条件对数似然和均方误差......................................................84

5.5.2*大似然的性质..............................................................84

5.6贝叶斯统计......................................................................85

5.6.1*大后验(MAP)估计........................................................87

5.7监督学习算法....................................................................88

5.7.1概率监督学习................................................................88

5.7.2支持向量机..................................................................88

5.7.3其他简单的监督学习算法......................................................90

5.8无监督学习算法..................................................................91

5.8.1主成分分析..................................................................92

5.8.2k-均值聚类...................................................................94

5.9随机梯度下降....................................................................94

5.10构建机器学习算法..............................................................96

5.11促使深度学习发展的挑战.......................................................96

5.11.1维数灾难...................................................................97

5.11.2局部不变性和平滑正则化....................................................97

5.11.3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

6.1实例：学习XOR................................................................107

6.2基于梯度的学习................................................................110

6.2.1代价函数........................

正版 深度学习 数学工具和机器学习算法教程书籍 深度学习方法和技术 epub pdf mobi txt 电子书 下载 2024

真好书！

很好

真好书！

很好

很好

真好书！

很好

真好书！

很好