【新书】深度学习的数学和架构，552页pdf

深度学习“黑匣子”之探索。这本全面且详尽的指南揭示了深度学习模型背后的数学和架构概念，使您能够更有效地定制、维护和解释它们。在《深度学习的数学和架构》一书中，您将找到：

数学、理论与编程原则并重
深度学习的线性代数、向量微积分和多变量统计
神经网络的结构
使用Python和PyTorch实现深度学习架构
故障排除表现不佳的模型
可下载的Jupyter笔记本中的工作代码样本

深度学习模型背后的数学范式通常始于难以阅读的学术论文，使工程师对这些模型的实际功能一无所知。《深度学习的数学和架构》一书弥合了理论与实践之间的鸿沟，将深度学习的数学与Python和PyTorch的实际实现并列展示。由深度学习专家Krishnendu Chaudhury撰写，您将窥视“黑匣子”内部，理解您的代码如何工作，并学会如何将前沿研究转化为实际应用。

序言作者：Prith Banerjee。

购买纸质书包括从Manning出版社免费获取PDF、Kindle和ePub格式的电子书。

关于技术

探索黑匣子内部的秘密！在使用深度学习时，您需要选择正确的模型，训练它，预处理您的数据，评估性能和准确性，并处理部署解决方案的输出中的不确定性和变异性。本书将系统地引导您了解作为工作数据科学家所需的核心数学概念：向量微积分、线性代数和贝叶斯推断，都是从深度学习的角度出发。

关于本书

《深度学习的数学和架构》教授深度学习模型的数学、理论和编程原则，并将它们并列展示，然后通过带注释的Python代码将它们付诸实践。您将从代数、微积分和统计学一路进展到采用最新研究成果的前沿DL架构。

书中内容

神经网络的核心设计原则
使用Python和PyTorch实现深度学习
规范化和优化表现不佳的模型

关于读者

读者需要了解Python及代数和微积分的基础知识。

关于作者

Krishnendu Chaudhury是AI初创公司Drishti Technologies的联合创始人兼首席技术官。他此前在Google和Adobe各工作了十年。

机器学习和深度学习概述
机器学习中的向量、矩阵和张量
分类器和向量微积分
机器学习中的线性代数工具
机器学习中的概率分布
机器学习中的贝叶斯工具
函数近似：神经网络如何模拟世界
训练神经网络：前向传播和反向传播
损失、优化和规范化
神经网络中的卷积
用于图像分类和对象检测的神经网络
流形、同胚和神经网络
全贝叶斯模型参数估计
潜在空间和生成建模，自编码器和变分自编码器 A 附录

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复或发消息“D552” 就可以获取《【新书】深度学习的数学和架构，552页pdf》专知下载链接

点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料