更新时间：2022-07-27 18:57:07
封面
版权信息
内容简介
本书编委会
序
前言
第1章 深度学习简介
1.1 什么是机器学习
1.2 什么是深度学习
1.2.1 深度学习的发展
1.2.2 深度学习的3个层次
1.2.3 深度学习的3种结构类型
1.3 深度学习的研究现状
1.4 本章小结
1.5 习题
第2章 Theano基础
2.1 初识Theano
2.2 安装Theano
2.3 配置环境变量
2.4 Theano中的符号变量
2.5 Theano编程风格
2.6 Theano中的函数
2.6.1 函数的定义
2.6.2 函数的复制
2.6.3 Theano中重要的函数
2.7 Theano中的符号计算图模型
2.7.1 variable节点
2.7.2 type节点
2.7.3 apply节点
2.7.4 op节点
2.7.5 符号计算图模型
2.8 Theano中的条件表达式
2.9 Theano中的循环
2.9.1 scan循环的参数
2.9.2 scan循环演示
2.10 Theano中的常用Debug技巧
2.11 本章小结
2.12 习题
第3章 线性代数基础
3.1 标量、向量、矩阵和张量
3.2 线性相关与生成子空间
3.2.1 线性组合
3.2.2 线性相关
3.2.3 向量组的秩
3.2.4 实例：求解方程组
3.2.5 实例：线性回归
3.3 范数
3.3.1 向量范数
3.3.2 矩阵范数
3.4 特殊的矩阵与向量
3.5 特征值分解
3.6 奇异值分解
3.7 迹运算
3.8 本章小结
3.9 习题
第4章 概率与信息论
4.1 概率的用途
4.2 样本空间与随机变量
4.3 随机变量的分布函数
4.4 一维随机变量
4.4.1 离散型随机变量和分布律
4.4.2 连续型随机变量和概率密度函数
4.4.3 分辨离散型随机变量和连续型随机变量
4.5 多维随机变量
4.5.1 二维随机变量及其分布函数
4.5.2 边缘分布函数
4.6 数学期望、方差、协方差
4.6.1 数学期望
4.6.2 方差
4.6.3 协方差
4.7 贝叶斯规则
4.7.1 条件概率
4.7.2 贝叶斯公式
4.7.3 朴素贝叶斯
4.8 正态分布与最大似然估计
4.8.1 正态分布
4.8.2 最大似然估计
4.9 信息论
4.9.1 信息熵
4.9.2 条件熵
4.9.3 互信息
4.9.4 相对熵与交叉熵
4.10 本章小结
4.11 习题
第5章 深度学习基础知识
5.1 学习算法
5.1.1 任务T
5.1.2 性能度量P
5.1.3 经验E
5.1.4 人工神经网络
5.1.5 反向传播算法
5.1.6 M-P神经元模型
5.1.7 激活函数
5.2 容量与拟合
5.2.1 机器学习中的泛化
5.2.2 过拟合
5.2.3 欠拟合
5.2.4 没有免费的午餐定理
5.3 评估方法
5.4 偏差与方差
