
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。
- 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

专知便捷查看
便捷下载,请关注专知人工智能公众号(点击上方蓝色专知关注)
专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取100000+AI(AI与军事、医药、公安等)主题干货知识资料!
点击“阅读原文”,了解使用专知,查看获取100000+AI主题知识资料