《深度學習》由全球zhiming的三位專傢Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分係統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方嚮和想法，它們被公認為是深度學習未來的研究重點。

《深度學習》適閤各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師。

第 1 章 引言                                                                               1 

11 本書麵嚮的讀者                                                                   7 

12 深度學習的曆史趨勢                                                               8 

121 神經網絡的眾多名稱和命運變遷                                                 8 

122 與日俱增的數據量                                                             12 

123 與日俱增的模型規模                                                          13 

124 與日俱增的精度、復雜度和對現實世界的衝擊                                    15 

第 1 部分 應用數學與機器學習基礎 

第 2 章 綫性代數                                                                         19 

21 標量、嚮量、矩陣和張量                                                          19 

22 矩陣和嚮量相乘                                                                 21 

23 單位矩陣和逆矩陣                                                                22 

24 綫性相關和生成子空間                                                           23 

25 範數                                                                             24 

26 特殊類型的矩陣和嚮量                                                           25 

27 特徵分解                                                                          26 

28 奇異值分解                                                                       28 

29 Moore-Penrose 僞逆                                                               28 

210 跡運算                                                                           29 

211 行列式                                                                           30 

212 實例：主成分分析                                                              30 

第 3 章 概率與信息論                                                                   34 

31 為什麼要使用概率                                                                34 

32 隨機變量                                                                          35 

33 概率分布                                                                          36 

331 離散型變量和概率質量函數                                                    36 

332 連續型變量和概率密度函數                                                    36 

34 邊緣概率                                                                          37 

35 條件概率                                                                          37 

36 條件概率的鏈式法則                                                              38 

37 獨立性和條件獨立性                                                              38 

38 期望、方差和協方差                                                              38 

39 常用概率分布                                                                     39 

391 Bernoulli 分布                                                                40 

392 Multinoulli 分布                                                              40 

393 高斯分布                                                                     40 

394 指數分布和 Laplace 分布                                                      41 

395 Dirac 分布和經驗分布                                                         42 

396 分布的混閤                                                                   42 

310 常用函數的有用性質                                                           43 

311 貝葉斯規則                                                                      45 

312 連續型變量的技術細節                                                          45 

313 信息論                                                                           47 

314 結構化概率模型                                                                 49 

第 4 章 數值計算                                                                         52 

41 上溢和下溢                                                                       52 

42 病態條件                                                                          53 

43 基於梯度的優化方法                                                              53 

431 梯度之上：Jacobian 和 Hessian 矩陣                                            56 

44 約束優化                                                                          60 

45 實例：綫性ZUI小二乘                                                              61 

第 5 章 機器學習基礎                                                                   63 

51 學習算法                                                                          63 

511 任務 T                                                                      63 

512 性能度量 P                                                                   66 

513 經驗 E                                                                       66 

514 示例：綫性迴歸                                                               68 

52 容量、過擬閤和欠擬閤                                                            70 

521 沒有免費午餐定理                                                             73 

522 正則化                                                                       74 

53 超參數和驗證集                                                                 76 

531 交叉驗證                                                                     76 

54 估計、偏差和方差                                                               77 

541 點估計                                                                       77 

542 偏差                                                                         78 

543 方差和標準差 異步圖書 深度學習 AI聖經 Deep Learning 數據科學傢 機器學習 下載 mobi epub pdf txt 電子書