为你推荐
内容简介
前 言
第1章 线性代数的基本概念
1.1 向量和深度学习
1.2 向量距离计算
1.3 向量的基本性质
1.4 矩阵
1.5 一些特殊的矩阵
第2章 线性代数在深度学习中的应用
2.1 特征值和特征向量
2.2 奇异值分解
2.3 正定矩阵
2.4 矩阵的范数和神经网络
2.5 主成分分析
2.6 推荐系统中的矩阵分解
第3章 微积分的基本概念
3.1 导数的定义和几何意义
3.2 复杂函数求导
3.3 导数的存在性
3.4 多元函数求导
3.5 二阶导数和高阶导数
3.6 函数的极大值和极小值
第4章 微积分在深度学习中的应用
4.1 梯度下降法
4.2 梯度下降法的缺点
4.3 矩阵求导术
4.4 常见激活函数及其导数
4.5 常见损失函数及其导数
4.6 积分和求和
第5章 概率的基本概念
5.1 概率入门
5.2 联合概率和条件概率
5.3 贝叶斯定理
5.4 连续概率分布
5.5 均值和方差
5.6 相关性
5.7 正态分布
第6章 概率在深度学习中的应用
6.1 概率分布之间的距离
6.2 最大似然估计
6.3 Logit和Softmax
6.4 语言模型
6.5 概率悖论
6.6 统计学基础
6.7 各类散列变换
6.8 分类器性能的极限
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
