万本电子书0元读

万本电子书0元读

顶部广告

深度学习的数学——使用Python语言电子书

1.做中学,从代码来理解深度学习的数学 从本质上讲,这是一本数学书。但是,本书将使用代码来说明概念,而不是证明和练习。深度学习是一门应用学科,作者认为做中学,你才能理解它。因此,本书将使用代码来弥合纯数学知识和动手实践之间的差距。 2.循序渐,从基础到阶,从门到精通 本书各章内容相辅相成,基础章节后面紧跟阶的数学主题,最后讲解深度学习算法,涉及前面章节中涵盖的所有内容。一般而言,读者可以从前向后通读本书,对于熟悉的主题,则可以跳过。

售       价:¥

纸质售价:¥44.90购买纸书

61人正在读 | 0人评论 6.4

作       者:[美]罗纳德·T·纽塞尔(Ronald T· Kneusel) 著

出  版  社:人民邮电出版社有限公司

出版时间:2024-02-01

字       数:20.9万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
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。<br/>【推荐语】<br/>1.做中学,从代码来理解深度学习的数学 从本质上讲,这是一本数学书。但是,本书将使用代码来说明概念,而不是证明和练习。深度学习是一门应用学科,作者认为做中学,你才能理解它。因此,本书将使用代码来弥合纯数学知识和动手实践之间的差距。 2.循序渐,从基础到阶,从门到精通 本书各章内容相辅相成,基础章节后面紧跟阶的数学主题,最后讲解深度学习算法,涉及前面章节中涵盖的所有内容。一般而言,读者可以从前向后通读本书,对于熟悉的主题,则可以跳过。<br/>【作者】<br/>罗纳德·T.纽塞尔(Ronald T. Kneusel),拥有超过 20年的机器学习行业经验,著有多本AI领域图书。 本书适合有一定深度学习基础、了解Python编程语言的读者阅读,也可作为用于拓展深度学习理论的参考书。<br/>
目录展开

内容提要

推荐序

译者序

前 言

本书面向谁

关于本书

资源与支持

配套资源

提交勘误

扫码关注本书

与我们联系

关于异步社区和异步图书

第1章 搭建舞台

1.1 组件安装

1.2 NumPy

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

2.2 概率法则

2.3 联合概率和边缘概率

2.4 小结

第3章 概率论进阶

3.1 概率分布

3.2 贝叶斯定理

3.3 小结

第4章 统计学

4.1 数据类型

4.2 描述性统计量

4.3 分位数和箱形图

4.4 缺失数据

4.5 相关性

4.6 假设检验

4.7 小结

第5章 线性代数

5.1 标量、向量、矩阵和张量

5.2 用张量进行代数运算

5.3 小结

第6章 线性代数进阶

6.1 方阵

6.2 特征向量和特征值

6.3 向量范数和距离度量

6.4 主成分分析

6.5 奇异值分解和伪逆

6.6 小结

第7章 微分

7.1 斜率

7.2 导数

7.3 函数的极小值和极大值

7.4 偏导数

7.5 梯度

7.6 小结

第8章 矩阵微分

8.1 一些公式

8.2 一些性质

8.3 雅可比矩阵和黑塞矩阵

8.4 矩阵微分的一些实例

8.5 小结

第9章 神经网络中的数据流

9.1 数据的表示

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

9.4 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

10.3 全连接网络的反向传播

10.4 计算图

10.5 小结

第11章 梯度下降

11.1 基本原理

11.2 随机梯度下降

11.3 动量机制

11.4 自适应梯度下降

11.5 小结

附录 学无止境

概率论与统计学

线性代数

微积分

深度学习

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部