展开全部

主编推荐语

本书以线性代数、微积分、概率论为逻辑主线,讲解了与深度学习有关的大部分数学内容。

内容简介

本书以理论结合实际的方式讲解,使数学知识不再是冰冷的公式堆砌,而变成一个个真实的案例,同时对案例背后的原理进行理论上的升华,希望达到一通百通的效果。读者通过阅读本书,不仅能够提升阅读学术论文中的数学公式的能力,还能加深对深度学习本身的理解。本书面向入门级读者,摒弃复杂的数学推导和证明,重视逻辑推理和简单的表达,特别适合数学基础不足的读者阅读。

目录

  • 版权信息
  • 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
  • 1.3.1 向量的基本运算
  • 1.3.2 线性相关和线性无关
  • 1.3.3 向量的投影和正交
  • 1.4 矩阵
  • 1.4.1 矩阵的基本概念
  • 1.4.2 矩阵和神经网络
  • 1.4.3 矩阵的秩
  • 1.5 一些特殊的矩阵
  • 1.5.1 矩阵的逆和广义逆
  • 1.5.2 正交矩阵
  • 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
  • 2.1.1 特征值和特征向量的定义
  • 2.1.2 一般矩阵的特征分解
  • 2.1.3 对称矩阵的特征分解
  • 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
  • 3.6.1 一元函数的极大值和极小值
  • 3.6.2 多元函数的凹凸性和海森矩阵
  • 3.6.3 凸优化证明
  • 第4章微积分在深度学习中的应用
  • 4.1 梯度下降法
  • 4.1.1 梯度下降法在深度学习中的应用
  • 4.1.2 泰勒公式和梯度下降法
  • 4.1.3 牛顿迭代法
  • 4.2 梯度下降法的缺点
  • 4.3 矩阵求导术
  • 4.3.1 标量对向量和矩阵求导
  • 4.3.2 向量对向量求导
  • 4.3.3 链式法则
  • 4.4 常见激活函数及其导数
  • 4.5 常见损失函数及其导数
  • 4.5.1 分类和回归
  • 4.5.2 哈夫曼树和负采样
  • 4.5.3 度量学习
  • 4.6 积分和求和
  • 4.6.1 积分和不定积分
  • 4.6.2 多重积分
  • 4.6.3 分类模型的效果指标AUC
  • 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
  • 5.7.1 正态分布的基本概念和性质
  • 5.7.2 正态分布和逻辑回归
  • 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
  • 6.3.1 二分类的Logit
  • 6.3.2 多分类的Softmax
  • 6.4 语言模型
  • 6.5 概率悖论
  • 6.5.1 辛普森悖论
  • 6.5.2 基本比率谬误
  • 6.5.3 罗杰斯现象
  • 6.5.4 伯克森悖论
  • 6.6 统计学基础
  • 6.6.1 卡方分布和学生分布
  • 6.6.2 假设检验
  • 6.6.3 AB测试
  • 6.7 各类散列变换
  • 6.7.1 特征Hash
  • 6.7.2 MD5
  • 6.7.3 特征空间的投影
  • 6.7.4 simhash
  • 6.7.5 minhash
  • 6.8 分类器性能的极限
  • 6.8.1 最大AUC
  • 6.8.2 贝叶斯错误率
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月,是国务院独资、工信部直属的中央级科技与教育出版社,是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展,已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域,综合出版能力位居全国出版行业前列。