本书包括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。
本书适合各类读者阅读,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。
目录
- 第1部分 应用数学与机器学习基础
- 第2章 线性代数
- 第3章 概率与信息论
- 第4章 数值计算
- 第5章 机器学习基础
- 第2部分 深层网络:现代实践
- 第6章 深度前馈网络
- 第7章 深度学习中的正则化
- 第8章 深度模型中的优化
- 第9章 卷积网络
- 第10章 序列建模:循环和递归网络
- 第11章 实践方法论
- 第12章 应用
- 第3部分 深度学习研究
- 第13章 线性因子模型
- 第14章 自编码器
- 第15章 表示学习
- 第16章 深度学习中的结构化概率模型
- 第17章 蒙特卡罗方法
- 第18章 直面配分函数
- 第19章 近似推断
- 第20章 深度生成模型