商品参数

书名：深度学习

作者：[美]IanGoodfellow（伊恩·古德费洛）

ISBN：9787115461476

出版社：人民邮电出版社

出版时间：2017年8月

印刷时间：2017年8月

字数：字

页数：500页

开本：16开

包装：平装

重量：g

定价：168元

编辑

AI圣经！深度学习领域奠基性的经典书！长期位居美国**逊AI和机器学习类图书！所有数据科学家和机器学习从业者的bi读图书！特斯拉CEO埃隆·马斯克等国内外众多专**荐！中文版由北京大学数学科学学院统计学教授张志华审校。

深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。因为计算机能够从经验中获取知识，所以不需要人类来形式化地定义计算机需要的所有知识。层次概念允许计算机通过构造简单的概念来学习复杂的概念，而这些分层的图结构将具有很深的层次。本书会介绍深度学习领域的许多主题。

本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线、生物信息学以及视频游戏方面的应用。*后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。

封面特色：由艺术家DanielAmbrosi提供的**公园杜鹃花步道梦幻景观。在Ambrosi的亿级像素全景图上，应用JosephSmarr（Google）和ChirsLamb（NVIA）修改后的GoogleDeepDream开源程序，创造了DanielAmbrosi的“幻景”。

内容简介

《深度学习》由知名的三位专家IanGoodfellow、YoshuaBengio和AaronCourville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究**。

《深度学习》适合各类读者阅读，包括相关的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

目录

第1章引言..............................................................................1

1.1本书面向的读者...................................................................7

1.2深度学习的历史趋势..............................................................8

1.2.1神经网络的众多名称和命运变迁................................................8

1.2.2与日俱增的数据量............................................................12

1.2.3与日俱增的模型规模..........................................................13

1.2.4与日俱增的精度、复杂度和对现实世界的冲击...................................15

第1部分应用数学与机器学习基础

第2章线性代数........................................................................19

2.1标量、向量、矩阵和张量.........................................................19

2.2矩阵和向量相乘..................................................................21

2.3单位矩阵和逆矩阵...............................................................22

2.4线性相关和生成子空间..........................................................23

2.5范数..............................................................................24

2.6特殊类型的矩阵和向量..........................................................25

2.7特征分解.........................................................................26

2.8奇异值分解......................................................................28

2.9Moore-Penrose伪逆..............................................................28

2.10迹运算..........................................................................29

2.11行列式..........................................................................30

2.12实例：主成分分析...............................................................30

第3章概率与信息论....................................................................34

3.1为什么要使用概率...............................................................34

3.2随机变量.........................................................................35

3.3概率分布.........................................................................36

3.3.1离散型变量和概率质量函数...................................................36

3.3.2连续型变量和概率密度函数...................................................36

3.4边缘概率.........................................................................37

3.5条件概率.........................................................................37

3.6条件概率的链式法则.............................................................38

3.7**性和条件**性.............................................................38

3.8期望、方差和协方差.............................................................38

3.9常用概率分布....................................................................39

3.9.1Bernoulli分布...............................................................40

3.9.2Multinoulli分布.............................................................40

3.9.3高斯分布....................................................................40

3.9.4指数分布和Laplace分布.....................................................41

3.9.5rac分布和经验分布........................................................42

3.9.6分布的混合..................................................................42

3.10常用函数的有用性质............................................................43

3.11贝叶斯规则.....................................................................45

3.12连续型变量的技术细节.........................................................45

3.13信息论..........................................................................47

3.14结构化概率模型................................................................49

第4章数值计算........................................................................52

4.1上溢和下溢......................................................................52

4.2病态条件.........................................................................53

4.3基于梯度的优化方法.............................................................53

4.3.1梯度之上：Jacobian和Hessian矩阵...........................................56

4.4约束优化.........................................................................60

4.5实例：线性*小二乘.............................................................61

第5章机器学习基础....................................................................63

5.1学习算法.........................................................................63

5.1.1任务T.....................................................................63

5.1.2性能度量P..................................................................66

5.1.3经验E......................................................................66

5.1.4示例：线性回归..............................................................68

5.2容量、过拟合和欠拟合...........................................................70

5.2.1没有午餐定理............................................................73

5.2.2正则化......................................................................74

5.3超参数和验证集..................................................................76

5.3.1交叉验证....................................................................76

5.4估计、偏差和方差................................................................77

5.4.1点估计......................................................................77

5.4.2偏差........................................................................78

5.4.3方差和标准差................................................................80

5.4.4权衡偏差和方差以*小化均方误差.............................................81

5.4.5一致性......................................................................82

5.5*大似然估计....................................................................82

5.5.1条件对数似然和均方误差......................................................84

5.5.2*大似然的性质..............................................................84

5.6贝叶斯统计......................................................................85

5.6.1*大后验(MAP)估计........................................................87

5.7监督学习算法....................................................................88

5.7.1概率监督学习................................................................88

5.7.2支持向量机..................................................................88

5.7.3其他简单的监督学习算法......................................................90

5.8无监督学习算法..................................................................91

5.8.1主成分分析..................................................................92

5.8.2k-均值聚类...................................................................94

5.9随机梯度下降....................................................................94

5.10构建机器学习算法..............................................................96

5.11促使深度学习发展的挑战.......................................................96

5.11.1维数灾难...................................................................97

5.11.2局部不变性和平滑正则化....................................................97

5.11.3流形学习...................................................................99

第2部分深度网络：现代实践

第6章深度前馈网络..................................................................105

6.1实例：学习XOR................................................................107

6.2基于梯度的学习................................................................110

6.2.1代价函数........................ 正版 深度学习 数学工具和机器学习算法教程书籍 深度学习方法和技术 电子书 下载 mobi epub pdf txt

真好书！

很好

很好

很好

真好书！

真好书！

很好

很好

很好