正版 深度學習 數學工具和機器學習算法教程書籍 深度學習方法和技術 epub pdf mobi txt 電子書 下載 2024

正版 深度學習 數學工具和機器學習算法教程書籍 深度學習方法和技術 epub pdf mobi txt 電子書 下載 2024

正版 深度學習 數學工具和機器學習算法教程書籍 深度學習方法和技術 epub pdf mobi txt 電子書 下載 2024

商品參數

書名：深度學習

作者：[美]IanGoodfellow（伊恩·古德費洛）

ISBN：9787115461476

齣版社：人民郵電齣版社

齣版時間：2017年8月

印刷時間：2017年8月

字數：字

頁數：500頁

開本：16開

包裝：平裝

重量：g

定價：168元

編輯

AI聖經！深度學習領域奠基性的經典書！長期位居美國**遜AI和機器學習類圖書！所有數據科學傢和機器學習從業者的bi讀圖書！特斯拉CEO埃隆·馬斯剋等國內外眾多專**薦！中文版由北京大學數學科學學院統計學教授張誌華審校。

深度學習是機器學習的一個分支，它能夠使計算機通過層次概念來學習經驗和理解世界。因為計算機能夠從經驗中獲取知識，所以不需要人類來形式化地定義計算機需要的所有知識。層次概念允許計算機通過構造簡單的概念來學習復雜的概念，而這些分層的圖結構將具有很深的層次。本書會介紹深度學習領域的許多主題。

本書囊括瞭數學及相關概念的背景知識，包括綫性代數、概率論、信息論、數值優化以及機器學習中的相關內容。同時，它還介紹瞭工業界中實踐者用到的深度學習技術，包括深度前饋網絡、正則化、優化算法、捲積網絡、序列建模和實踐方法等，並且調研瞭諸如自然語言處理、語音識彆、計算機視覺、在綫、生物信息學以及視頻遊戲方麵的應用。*後，本書還提供瞭一些研究方嚮，涵蓋的理論主題包括綫性因子模型、自編碼器、錶示學習、結構化概率模型、濛特卡羅方法、配分函數、近似推斷以及深度生成模型。

封麵特色：由藝術傢DanielAmbrosi提供的**公園杜鵑花步道夢幻景觀。在Ambrosi的億級像素全景圖上，應用JosephSmarr（Google）和ChirsLamb（NVIA）修改後的GoogleDeepDream開源程序，創造瞭DanielAmbrosi的“幻景”。

內容簡介

《深度學習》由知名的三位專傢IanGoodfellow、YoshuaBengio和AaronCourville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**。

《深度學習》適閤各類讀者閱讀，包括相關的大學生或研究生，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

1.1本書麵嚮的讀者...................................................................7

1.2深度學習的曆史趨勢..............................................................8

1.2.1神經網絡的眾多名稱和命運變遷................................................8

1.2.2與日俱增的數據量............................................................12

1.2.3與日俱增的模型規模..........................................................13

1.2.4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

2.1標量、嚮量、矩陣和張量.........................................................19

2.2矩陣和嚮量相乘..................................................................21

2.3單位矩陣和逆矩陣...............................................................22

2.4綫性相關和生成子空間..........................................................23

2.5範數..............................................................................24

2.6特殊類型的矩陣和嚮量..........................................................25

2.7特徵分解.........................................................................26

2.8奇異值分解......................................................................28

2.9Moore-Penrose僞逆..............................................................28

2.10跡運算..........................................................................29

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

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

第3章概率與信息論....................................................................34

3.1為什麼要使用概率...............................................................34

3.2隨機變量.........................................................................35

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

3.3.1離散型變量和概率質量函數...................................................36

3.3.2連續型變量和概率密度函數...................................................36

3.4邊緣概率.........................................................................37

3.5條件概率.........................................................................37

3.6條件概率的鏈式法則.............................................................38

3.7**性和條件**性.............................................................38

3.8期望、方差和協方差.............................................................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指數分布和Laplace分布.....................................................41

3.9.5rac分布和經驗分布........................................................42

3.9.6分布的混閤..................................................................42

3.10常用函數的有用性質............................................................43

3.11貝葉斯規則.....................................................................45

3.12連續型變量的技術細節.........................................................45

3.13信息論..........................................................................47

3.14結構化概率模型................................................................49

第4章數值計算........................................................................52

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

4.2病態條件.........................................................................53

4.3基於梯度的優化方法.............................................................53

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

4.4約束優化.........................................................................60

4.5實例：綫性*小二乘.............................................................61

第5章機器學習基礎....................................................................63

5.1學習算法.........................................................................63

5.1.1任務T.....................................................................63

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

5.1.3經驗E......................................................................66

5.1.4示例：綫性迴歸..............................................................68

5.2容量、過擬閤和欠擬閤...........................................................70

5.2.1沒有午餐定理............................................................73

5.2.2正則化......................................................................74

5.3超參數和驗證集..................................................................76

5.3.1交叉驗證....................................................................76

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

5.4.1點估計......................................................................77

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

5.4.3方差和標準差................................................................80

5.4.4權衡偏差和方差以*小化均方誤差.............................................81

5.4.5一緻性......................................................................82

5.5*大似然估計....................................................................82

5.5.1條件對數似然和均方誤差......................................................84

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

5.6貝葉斯統計......................................................................85

5.6.1*大後驗(MAP)估計........................................................87

5.7監督學習算法....................................................................88

5.7.1概率監督學習................................................................88

5.7.2支持嚮量機..................................................................88

5.7.3其他簡單的監督學習算法......................................................90

5.8無監督學習算法..................................................................91

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

5.8.2k-均值聚類...................................................................94

5.9隨機梯度下降....................................................................94

5.10構建機器學習算法..............................................................96

5.11促使深度學習發展的挑戰.......................................................96

5.11.1維數災難...................................................................97

5.11.2局部不變性和平滑正則化....................................................97

5.11.3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

6.1實例：學習XOR................................................................107

6.2基於梯度的學習................................................................110

6.2.1代價函數........................

正版 深度學習 數學工具和機器學習算法教程書籍 深度學習方法和技術 epub pdf mobi txt 電子書 下載 2024

很好

很好

很好

很好

很好

很好

很好

真好書！

真好書！