封面
版权信息
内容简介
序
前言
第1章 线性代数的基本概念
1.1 向量和深度学习
1.2 向量距离计算
1.3 向量的基本性质
1.3.1 向量的基本运算
1.3.2 线性相关和线性无关
1.3.3 向量的投影和正交
1.4 矩阵
1.4.1 矩阵的基本概念
- APP免费
1.4.2 矩阵和神经网络
- APP免费
1.4.3 矩阵的秩
- APP免费
1.5 一些特殊的矩阵
- APP免费
1.5.1 矩阵的逆和广义逆
- APP免费
1.5.2 正交矩阵
- APP免费
第2章 线性代数在深度学习中的应用
- APP免费
2.1 特征值和特征向量
- APP免费
2.1.1 特征值和特征向量的定义
- APP免费
2.1.2 一般矩阵的特征分解
- APP免费
2.1.3 对称矩阵的特征分解
- APP免费
2.2 奇异值分解
- APP免费
2.3 正定矩阵
- APP免费
2.4 矩阵的范数和神经网络
- APP免费
2.5 主成分分析
- APP免费
2.6 推荐系统中的矩阵分解
- APP免费
第3章 微积分的基本概念
- APP免费
3.1 导数的定义和几何意义
- APP免费
3.2 复杂函数求导
- APP免费
3.3 导数的存在性
- APP免费
3.4 多元函数求导
- APP免费
3.5 二阶导数和高阶导数
- APP免费
3.6 函数的极大值和极小值
- APP免费
3.6.1 一元函数的极大值和极小值
- APP免费
3.6.2 多元函数的凹凸性和海森矩阵
- APP免费
3.6.3 凸优化证明
- APP免费
第4章 微积分在深度学习中的应用
- APP免费
4.1 梯度下降法
- APP免费
4.1.1 梯度下降法在深度学习中的应用
- APP免费
4.1.2 泰勒公式和梯度下降法
- APP免费
4.1.3 牛顿迭代法
- APP免费
4.2 梯度下降法的缺点
- APP免费
4.3 矩阵求导术
- APP免费
4.3.1 标量对向量和矩阵求导
- APP免费
4.3.2 向量对向量求导
- APP免费
4.3.3 链式法则
- APP免费
4.4 常见激活函数及其导数
- APP免费
4.5 常见损失函数及其导数
- APP免费
4.5.1 分类和回归
- APP免费
4.5.2 哈夫曼树和负采样
- APP免费
4.5.3 度量学习
- APP免费
4.6 积分和求和
- APP免费
4.6.1 积分和不定积分
- APP免费
4.6.2 多重积分
- APP免费
4.6.3 分类模型的效果指标AUC
- APP免费
第5章 概率的基本概念
- APP免费
5.1 概率入门
- APP免费
5.2 联合概率和条件概率
- APP免费
5.3 贝叶斯定理
- APP免费
5.4 连续概率分布
- APP免费
5.5 均值和方差
- APP免费
5.6 相关性
- APP免费
5.7 正态分布
- APP免费
5.7.1 正态分布的基本概念和性质
- APP免费
5.7.2 正态分布和逻辑回归
- APP免费
第6章 概率在深度学习中的应用
- APP免费
6.1 概率分布之间的距离
- APP免费
6.2 最大似然估计
- APP免费
6.3 Logit和Softmax
- APP免费
6.3.1 二分类的Logit
- APP免费
6.3.2 多分类的Softmax
- APP免费
6.4 语言模型
- APP免费
6.5 概率悖论
- APP免费
6.5.1 辛普森悖论
- APP免费
6.5.2 基本比率谬误
- APP免费
6.5.3 罗杰斯现象
- APP免费
6.5.4 伯克森悖论
- APP免费
6.6 统计学基础
- APP免费
6.6.1 卡方分布和学生分布
- APP免费
6.6.2 假设检验
- APP免费
6.6.3 AB测试
- APP免费
6.7 各类散列变换
- APP免费
6.7.1 特征Hash
- APP免费
6.7.2 MD5
- APP免费
6.7.3 特征空间的投影
- APP免费
6.7.4 simhash
- APP免费
6.7.5 minhash
- APP免费
6.8 分类器性能的极限
- APP免费
6.8.1 最大AUC
- APP免费
6.8.2 贝叶斯错误率
- APP免费
封底
更新时间：2023-09-07 19:03:25
完结共94章
倒序