【干货书】深度学习数学：理解神经网络

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