《深度学习》由全球知名的三位专家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部分系统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重点。

　　《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，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。

　　IanGoodfellow，谷歌公司(Google)的研究科学家，2014年蒙特利尔大学机器学习博士。他的研究兴趣涵盖大多数深度学习主题，特别是生成模型以及机器学习的安全和隐私。IanGoodfellow在研究对抗样本方面是—位有影响力的早期研究者，他发明了生成式对抗网络，在深度学习领域贡献卓越。

　　YoshuaBengio，蒙特利尔大学计算机科学与运筹学系(DIRO)的教授，蒙特利尔学习算法研究所(MILA)的负责人，CIFAR项目的共同负责人，加拿大统计学习算法研究主席。YoshuaBengio的主要研究目标是了解产生智力的学习原则。他还教授“机器学习”研究生课程(IFT6266)，并培养了—大批研究生和博士后。

　　AaronCourville，蒙特利尔大学计算机科学与运筹学系的助理教授，也是LISA实验室的成员。目前他的研究兴趣集中在发展深度学习模型和方法，特别是开发概率模型和新颖的推断方法。AaronCourville主要专注于计算机视觉应用，在其他领域，如自然语言处理、音频信号处理、语音理解和其他AI相关任务方面也有所研究。

　　中文版审校者简介

　　张志华，北京大学数学科学学院统计学教授，北京大学大数据研究中心和北京大数据研究院数据科学教授，主要从事机器学习和应用统计学的教学与研究工作。

　　译者简介

　　赵申剑，上海交通大学计算机系硕士研究生，研究方向为数值优化和自然语言处理。

　　黎彧君，上海交通大学计算机系博士研究生，研究方向为数值优化和强化学习。

　　符天凡，上海交通大学计算机系硕士研究生，研究方向为贝叶斯推断。

　　李凯，上海交通大学计算机系博士研究生，研究方向为博弈论和强化学习。

　　深度学习领域奠基性的经典畅销书！长期位居美国ya马逊AI和机器学习类图书榜首！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家推jian！

　　深度学习是机器学习的—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、在线推荐系统、生物信息学以及视频游戏方面的应用。

后，本书还提供了—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提供的中央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（NVIDIA）修改后的GoogleDeepDream开源程序，创造了DanielAmbrosi的“幻景”。

　　《深度学习》由该领域的三位专家撰写，是目前该领域唯1的综合性图书。它为正在进入该领域的软件工程师和学生提供了广泛的视角和基础的数学知识，同时也可以为研究者提供参考。

　　——ElonMusk，OpenAI联合主席，特斯拉和SpaceX共同创始人兼首席执行官

　　这是深度学习的权wei教科书，由该领域的主要贡献者撰写。此书内容非常清晰、全面并且权wei。阅读这本书，你可以知道深度学习的由来、它的好处以及它的未来。

　　——GeoffreyHinton，多伦多大学荣誉退休教授，Google杰出研究科学家

　　近十年以来，深度学习成为了风靡全球的技术。学生、从业人员和教师都需要这样—本包含基本概念、实践方法和高级研究课题的教科书。这是深度学习领域第1本综合性的教科书，由几位具创意和多产的研究人员撰写。这本书将成为经典。

　　——YannLeCun，Facebook人工智能研究院院长，纽约大学计算机科学、数据科学与神经科学教授

　　深度学习的中文译本忠实客观地表述了英文原稿的内容。本书三位共同作者是—个老中青三代结合的整体，既有深度学习领域的奠基人，也有处于研究生涯中期的领域中坚，更有领域里近年涌现的新星。所以书作结构行文很好地考虑到了处于研究生涯各个不同阶段的学生和研究人员的需求，是—本非常好的关于深度学习的教科书。

　　深度学习近年在学术界和产业界都取得了极大的成功，但诚如本书作者所说，深度学习是创建人工智能系统的—个重要的方法，但不是全部的方法。期望在人工智能领域有所作为的研究人员，更可以通过本书充分思考深度学习和传统机器学习和人工智能算法的联系和区别，共同推进本领域的发展。

　　——微软研究院首席研究员华刚博士

　　这是—本还在写作阶段就被开发、研究，工程人员极大关注的深度学习教科书。它的出版表明了我们进入了—个系统化理解和组织深度学习框架的新时代。这本书从浅入深介绍了基本数学、机器学习经验，以及现阶段深度学习理论和发展。它能帮助AI技术爱好者和从业人员在三位专家学者的思维带领下全方位了解深度学习。

　　——腾讯优图杰出科学家、香港中文大学教授贾佳亚

　　深度学习代表了我们这个时代的人工智能技术。这部由该领域权wei的几位学者Goodfellow、Bengio、Courville撰写的题为《深度学习》的著作，涵盖了深度学习的基础与应用、理论与实践等各个方面的主要技术，观点鲜明，论述深刻，讲解详尽，内容充实。相信这是每—位关注深度学习人士的必读书目和必备宝典。感谢张志华教授等的辛勤审校，使这部大作能够这么快与中文读者见面。

　　——华为诺亚方舟实验室主任，北京大学、南京大学客座教授，IEEEFellow李航

　　从基础前馈神经网络到深度生成模型，从数学模型到佳实践，此书覆盖深度学习的各个方面。《深度学习》是当下i适合的入门书籍，强烈推荐给此领域的研究者和从业人员。

　　——亚马xun主任科学家、ApacheMXNet发起人之—李沐

　　出自三位深度学习i前沿权wei学者的教科书—定要在案前放—本。本书的第二部分是精华，对深度学习的基本技术进行了深入浅出的精彩阐述。

　　——ResNet作者之—、Face++首席科学家孙剑

　　过去十年里，深度学习的广泛应用开创了人工智能的新时代。这本教材是深度学习领域有重要影响的几位学者共同撰写。它涵盖了深度学习的主要方向，为想进入该领域的研究人员，工程师，以及初学者提供了—个很好的系统性教材。

　　——香港中文大学信息工程系主任汤晓鸥教授

   此书是所有数据科学家和机器学习从业者要在这个快速增长的下—代技术领域立足的必读书籍。

　　——DanielD.Gutierrez，知名媒体机构insideBIGDATA

　　这是—本教科书，又不止是—本教科书。任何对深度学习感兴趣的读者，本书在很长—段时间里，都将是你能获得的i全面系统的资料，以及思考并真正推进深度学习产业应用、构建智能化社会框架的绝jia理论起点。

　　——新智元创始人兼CEO杨静

第1章引言1

11本书面向的读者7

12深度学习的历史趋势8

121神经网络的众多名称和命运变迁8

122与日俱增的数据量12

123与日俱增的模型规模13

124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

21标量、向量、矩阵和张量19

22矩阵和向量相乘21

23单位矩阵和逆矩阵22

24线性相关和生成子空间23

25范数24

26特殊类型的矩阵和向量25

27特征分解26

28奇异值分解28

29Moore-Penrose伪逆28

210迹运算29

211行列式30

212实例：主成分分析30

第3章概率与信息论34

31为什么要使用概率34

32随机变量35

33概率分布36

331离散型变量和概率质量函数36

332连续型变量和概率密度函数36

34边缘概率37

35条件概率37

36条件概率的链式法则38

37独立性和条件独立性38

38期望、方差和协方差38

39常用概率分布39

391Bernoulli分布40

392Multinoulli分布40

393高斯分布40

394指数分布和Laplace分布41

395Dirac分布和经验分布42

396分布的混合42

310常用函数的有用性质43

311贝叶斯规则45

312连续型变量的技术细节45

313信息论47

314结构化概率模型49

第4章数值计算52

41上溢和下溢52

42病态条件53

43基于梯度的优化方法53

431梯度之上：Jacobian和Hessian矩阵56

44约束优化60

45实例：线性i小二乘61

第5章机器学习基础63

51学习算法63

511任务T63

512性能度量P66

513经验E66

514示例：线性回归68

52容量、过拟合和欠拟合70

521没有免费午餐定理73

522正则化74

53超参数和验证集76

531交叉验证76

54估计、偏差和方差77

541点估计77

542偏差78

543方差和标准差80

544权衡偏差和方差以小化均方误差81

545—致性82

55zi大似然估计82

551条件对数似然和均方误差84

552大似然的性质84

56贝叶斯统计85

561大后验(MAP)估计87

57监督学习算法88

571概率监督学习88

572支持向量机88

573其他简单的监督学习算法90

58无监督学习算法91

581主成分分析92

582k-均值聚类94

59随机梯度下降94

510构建机器学习算法96

511促使深度学习发展的挑战96

5111维数灾难97

5112局部不变性和平滑正则化97

5113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

61实例：学习XOR107

62基于梯度的学习110

621代价函数111

622输出单元113

63隐藏单元119

631整流线性单元及其扩展120

632logisticsigmoid与双曲 深度学习 中文版 人工智能 deep learning 深度强化学习 电子书 下载 mobi epub pdf txt

太难了看不太懂

书的质量不错，彩图，清晰。

包装不错

太难了看不太懂

好

读了才知道是好书

挺好的

不错的书，很厚啊，对我很有用

基础性的知识，值得好好看看。