【干货书】深度学习数学:理解神经网络

数据派THU

共 1074字,需浏览 3分钟

 · 2022-07-08


来源:专知
本文为书籍介绍,建议阅读5分钟
本文内容为使深度学习易于理解的基本数学知识。



https://nostarch.com/math-deep-learning

深度学习无处不在,这使得AI的强大驱动力成为更多STEM专业人士需要了解的东西。学习使用哪个库命令是一回事,但要真正理解这一原则,您需要掌握使之正确的数学概念。本书将为您提供概率论、统计学、线性代数和微分学等主题的工作知识,这些是使深度学习易于理解的基本数学知识,也是成功练习深度学习的关键。

这四个子领域中的每一个都与Python代码和实际操作的示例相关联,这些示例弥合了纯数学及其在深度学习中的应用之间的差距。章节建立在彼此的基础上,基本的主题,如贝叶斯定理,然后是更高级的概念,如使用向量、矩阵和函数的导数训练神经网络。在探索和实现深度学习算法时,您将最终使用所有这些数学知识,包括反向传播和梯度下降——这些基本算法使AI革命成为可能。

你将学习:
  • 概率规则,概率分布,贝叶斯概率
  • 使用统计数据来理解数据集和评估模型
  • 如何操作向量和矩阵,并利用它们在神经网络中移动数据
  • 如何用线性代数实现主成分分析和奇异值分解
  • 如何应用改进版本的梯度下降,如RMSprop, Adagrad和Adadelta
  • 一旦你通过AI编程的镜头理解了本书中呈现的核心数学概念,你就会有基础的知识来轻松跟随和使用深度学习。

目录内容:
Introduction
Chapter 1: Setting the Stage
Chapter 2: Probability
Chapter 3: More Probability
Chapter 4: Statistics
Chapter 5: Linear Algebra
Chapter 6: More Linear Algebra
Chapter 7: Differential Calculus
Chapter 8: Matrix Calculus
Chapter 9: Data Flow in Neural Networks
Chapter 10: Backpropagation
Chapter 11: Gradient Descent
Appendix: Going Further
View the Copyright page
View the detailed Table of Contents
View the Index



浏览 17
点赞
评论
收藏
分享

手机扫一扫分享

举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

举报