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，你需要掌握使之正确的数学概念。本书将为你提供概率论、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，你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。
https://nostarch.com/math-deep-learning你将学习:
- 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。
就其核心而言，这是一本数学书。但是，我们将用代码来说明这些概念，而不是证明和练习。深度学习是一门应用学科，你需要做才能理解。因此，我们会用代码来弥补纯数学知识和实践之间的差距。
这些章节一个接一个，基础性的章节之后是更高级的数学主题，最终是利用前面章节所涉及的一切的深度学习算法。我建议直接阅读这本书，如果你愿意，可以在遇到你已经熟悉的主题时跳过它们。
- 第1章：配置环境 这一章配置了我们的工作环境和我们将使用的工具包，这些都是深度学习中最常使用的。
- 第2章：概率 概率几乎影响了深度学习的所有方面，对于理解神经网络如何学习至关重要。本章是关于这一主题的两章中的第一章，介绍了概率的基本主题。
- 第3章：更多概率 更多概率是如此重要，以至于一章都不够。本章继续我们的探索，包括关键的深度学习主题，如概率分布和贝叶斯定理。
- 第4章：统计学 统计学使数据有意义，对评估模型至关重要。统计学与概率学相辅相成，所以我们需要了解统计学来理解深度学习。
- 第5章：线性代数 线性代数是向量和矩阵的世界。深度学习的核心是以线性代数为重点。实现神经网络是一项矢量和矩阵数学的练习，因此，理解这些概念所代表的内容以及如何与之合作是至关重要的。
- 第6章：更多线性代数 本章继续我们对线性代数的探索，重点是关于矩阵的重要课题。
- 第7章：微分计算 也许神经网络训练背后最基本的概念是梯度。为了理解梯度，它是什么以及如何使用它，我们必须知道如何处理函数的导数。本章为理解导数和梯度打下了必要的基础。
- 第8章：矩阵计算 深度学习操纵向量和矩阵的导数。因此，在这一章中，我们将导数的概念概括为这些对象。
- 第9章：神经网络中的数据流 要理解神经网络如何操纵向量和矩阵，我们需要理解数据如何在网络中流动。这就是本章的主题。
- 第10章：反向传播 成功的神经网络训练通常涉及两个相辅相成的算法：反向传播和梯度下降。在这一章中，我们将详细研究反向传播，看看我们在书中早先学到的数学知识如何应用到实际的神经网络训练中。
- 第11章：梯度下降 梯度下降使用反向传播算法所提供的梯度来训练神经网络。本章探讨了梯度下降，从一维例子开始，一直到全连接神经网络。它还描述并比较了梯度下降的常见变体。
- 附录：更进一步 我们必须对概率、统计、线性代数和微积分中的许多主题进行总结。本附录为你指出了一些资源，这些资源将帮助你进一步了解深度学习背后的数学知识。
本书完整代码传送门：
https://github.com/rkneusel9/MathForDeepLearning/
便捷阅读
374页《深度学习数学：理解神经网络》高清PDF 获取：
直接在文末留言需要即可！
🏴☠️宝藏级🏴☠️ 原创公众号『数据STUDIO』内容超级硬核。公众号以Python为核心语言，垂直于数据科学领域，包括可戳👉 Python｜MySQL｜数据分析｜数据可视化｜机器学习与数据挖掘｜爬虫 等，从入门到进阶！
长按👇关注- 数据STUDIO -设为星标，干货速递
