《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
电子书
编辑推荐
解锁深度学习的数学密码，掌握AI技术的核心。
内容简介
深度学习是一门注重应用的学科。了解深度学习背后的数学原理的人，可以在应用深度学习解决实际问题时游刃有余。
本书通过Python代码示例来讲解深度学习背后的关键数学知识，包括概率论、统计学、线性代数、微分等，并进一步解释神经网络、反向传播、梯度下降等深度学习领域关键知识背后的原理。
本书适合有一定深度学习基础、了解Pyho如编程语言的读者阅读，也可作为拓展深度学习理论的参考书。
章节目录
- 版权信息
- 版 权
- 版权声明
- 内容提要
- 推荐序
- 译者序
- 序
- 前 言
- 资源与支持
- 第1章 搭建舞台
- 1.1 组件安装
- 1.1.1 Linux
- 1.1.2 macOS
- 1.1.3 Windows
- 1.2 NumPy
- 1.2.1 定义数组
- 1.2.2 数据类型
- 1.2.3 二维数组
- 1.2.4 全0数组和全１数组
- 1.2.5 高级索引
- 1.2.6 读写磁盘
- 1.3 SciPy
- 1.4 matplotlib
- 1.5 scikit-learn
- 1.6 小结
- 第2章 概率论
- 2.1 基础概念
- 2.1.1 样本空间和事件
- 2.1.2 随机变量
- 2.1.3 人类不擅于处理概率问题
- 2.2 概率法则
- 2.2.1 事件的概率
- 2.2.2 加法法则
- 2.2.3 乘法法则
- 2.2.4 加法法则的修正版
- 2.2.5 生日难题
- 2.2.6 条件概率
- 2.2.7 全概率公式
- 2.3 联合概率和边缘概率
- 2.3.1 联合概率表
- 2.3.2 概率的链式法则
- 2.4 小结
- 第3章 概率论进阶
- 3.1 概率分布
- 3.1.1 直方图与概率
- 3.1.2 离散型概率分布
- 3.1.3 连续型概率分布
- 3.1.4 中心极限定理
- 3.1.5 大数法则
- 3.2 贝叶斯定理
- 3.2.1 回到判断女性是否患有乳腺癌的例子
- 3.2.2 更新先验
- 3.2.3 机器学习中的贝叶斯定理
- 3.3 小结
- 第4章 统计学
- 4.1 数据类型
- 4.1.1 定类数据
- 4.1.2 定序数据
- 4.1.3 定距数据
- 4.1.4 定比数据
- 4.1.5 在深度学习中使用定类数据
- 4.2 描述性统计量
- 4.2.1 均值和中位数
- 4.2.2 用于衡量变化的统计量
- 4.3 分位数和箱形图
- 4.4 缺失数据
- 4.5 相关性
- 4.5.1 皮尔森相关性
- 4.5.2 斯皮尔曼相关性
- 4.6 假设检验
- 4.6.1 假设
- 4.6.2 t检验
- 4.6.3 曼-惠特尼U检验
- 4.7 小结
- 第5章 线性代数
- 5.1 标量、向量、矩阵和张量
- 5.1.1 标量
- 5.1.2 向量
- 5.1.3 矩阵
- 5.1.4 张量
- 5.2 用张量进行代数运算
- 5.2.1 数组运算
- 5.2.2 向量运算
- 5.2.3 矩阵乘法
- 5.2.4 克罗内克积
- 5.3 小结
- 第6章 线性代数进阶
- 6.1 方阵
- 6.1.1 为什么需要方阵
- 6.1.2 转置、迹和幂
- 6.1.3 特殊方阵
- 6.1.4 三角矩阵
- 6.1.5 行列式
- 6.1.6 逆运算
- 6.1.7 对称矩阵、正交矩阵和酉矩阵
- 6.1.8 对称矩阵的正定性
- 6.2 特征向量和特征值
- 6.3 向量范数和距离度量
- 6.3.1 L范数和距离度量
- 6.3.2 协方差矩阵
- 6.3.3 马氏距离
- 6.3.4 K-L散度
- 6.4 主成分分析
- 6.5 奇异值分解和伪逆
- 6.5.1 SVD实战
- 6.5.2 SVD的两个应用
- 6.6 小结
- 第7章 微分
- 7.1 斜率
- 7.2 导数
- 7.2.1 导数的正式定义
- 7.2.2 基本法则
- 7.2.3 三角函数的求导法则
- 7.2.4 指数函数和自然对数的求导法则
- 7.3 函数的极小值和极大值
- 7.4 偏导数
- 7.4.1 混合偏导数
- 7.4.2 偏导数的链式法则
- 7.5 梯度
- 7.5.1 梯度的计算
- 7.5.2 可视化梯度
- 7.6 小结
- 第8章 矩阵微分
- 8.1 一些公式
- 8.1.1 关于标量的向量函数
- 8.1.2 关于向量的标量函数
- 8.1.3 关于向量的向量函数
- 8.1.4 关于标量的矩阵函数
- 8.1.5 关于矩阵的标量函数
- 8.2 一些性质
- 8.2.1 关于向量的标量函数
- 8.2.2 关于标量的向量函数
- 8.2.3 关于向量的向量函数
- 8.2.4 关于矩阵的标量函数
- 8.3 雅可比矩阵和黑塞矩阵
- 8.3.1 雅可比矩阵
- 8.3.2 黑塞矩阵
- 8.4 矩阵微分的一些实例
- 8.4.1 元素级运算求导
- 8.4.2 激活函数的导数
- 8.5 小结
- 第9章 神经网络中的数据流
- 9.1 数据的表示
- 9.1.1 在传统神经网络中表示数据
- 9.1.2 在深度卷积网络中表示数据
- 9.2 传统神经网络中的数据流
- 9.3 卷积神经网络中的数据流
- 9.3.1 卷积
- 9.3.2 卷积层
- 9.3.3 池化层
- 9.3.4 全连接层
- 9.3.5 综合应用
- 9.4 小结
- 第10章 反向传播
- 10.1 什么是反向传播
- 10.2 手把手进行反向传播
- 10.2.1 计算偏导数
- 10.2.2 用Python进行实现
- 10.2.3 训练和测试模型
- 10.3 全连接网络的反向传播
- 10.3.1 误差的反向传播
- 10.3.2 关于权重和偏置求偏导数
- 10.3.3 Python实现代码
- 10.3.4 测试Python实现代码
- 10.4 计算图
- 10.5 小结
- 第11章 梯度下降
- 11.1 基本原理
- 11.1.1 一维函数的梯度下降
- 11.1.2 二维函数的梯度下降
- 11.2 随机梯度下降
- 11.3 动量机制
- 11.3.1 什么是动量
- 11.3.2 一维情况下的动量机制
- 11.3.3 二维情况下的动量机制
- 11.3.4 在训练模型时引入动量
- 11.3.5 涅斯捷洛夫动量
- 11.4 自适应梯度下降
- 11.4.1 RMSprop
- 11.4.2 Adagrad
- 11.4.3 Adam
- 11.4.4 关于优化器的一些思考
- 11.5 小结
- 附录 学无止境
展开全部
深度学习的数学——使用Python语言是2024年由人民邮电出版社出版,作者[美] 罗纳德·T.纽塞尔。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习的数学——使用Python语言》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书基于使用Python语言的TensorFlow深度学习框架进行讲解，帮助你快速入门。
电子书
本书分为三个部分。第一部分是原理篇，实现了MatrixSlow框架的核心基础设施，并基于此讲解了机器学习与深度学习的概念和原理。第二部分是模型篇，介绍了多种具有代表性的模型，包括逻辑回归、多层全连接神经网络、因子分解机、Wide&Deep、DeepFM、循环神经网络以及卷积神经网络，这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外，还用MatrixSlow框架搭建并训练它们以解决实际问题
电子书
Keras之父、谷歌人工智能研究员弗朗索瓦·肖莱执笔，深度学习领域力作。
电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
电子书
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
电子书
本书适合对人工智能、机器学习、数据分析等方向感兴趣的初学者和爱好者。
电子书
机器学习基础与高级内容全面讲解，实例丰富，易于学习巩固。
