深度学习：从基础到实践（全2册）

封面

版权信息

版权

深度学习：从基础到实践（上册）

内容提要

译者序

前言

资源与支持

第1章 机器学习与深度学习入门

1.1 为什么这一章出现在这里

1.2 从标记数据中学习

1.3 监督学习

1.4 无监督学习

1.5 生成器

1.6 强化学习

1.7 深度学习

1.8 接下来会讲什么

参考资料

第2章 随机性与基础统计学

2.1 为什么这一章出现在这里

2.2 随机变量

2.3 一些常见的分布

2.4 独立性

2.5 抽样与放回

2.6 Bootstrapping算法

2.7 高维空间

2.8 协方差和相关性

2.9 Anscombe四重奏

参考资料

第3章 概率

3.1 为什么这一章出现在这里

3.2 飞镖游戏

3.3 初级概率学

3.4 条件概率

3.5 联合概率

3.6 边际概率

3.7 测量的正确性

3.8 混淆矩阵的应用

参考资料

第4章 贝叶斯定理

4.1 为什么这一章出现在这里

4.2 频率论者法则以及贝叶斯法则

4.3 抛硬币

4.4 这枚硬币公平吗

4.5 生活中的贝叶斯定理

4.6 重复贝叶斯定理

4.7 多个假设

参考资料

第5章 曲线和曲面

5.1 为什么这一章出现在这里

5.2 引言

5.3 导数

5.4 梯度

参考资料

第6章 信息论

6.1 为什么这一章出现在这里

6.2 意外程度与语境

6.3 用比特作为单位

6.4 衡量信息

6.5 事件的大小

6.6 自适应编码

6.7 熵

6.8 交叉熵

6.9 KL散度

参考资料

第7章 分类

7.1 为什么这一章出现在这里

7.2 二维分类

7.3 二维多分类

7.4 多维二元分类

7.5 聚类

7.6 维度灾难

参考资料

第8章 训练与测试

8.1 为什么这一章出现在这里

8.2 训练

8.3 测试数据

8.4 验证数据

8.5 交叉验证

8.6 对测试结果的利用

参考资料

第9章 过拟合与欠拟合

9.1 为什么这一章出现在这里

9.2 过拟合与欠拟合

9.3 过拟合数据

9.4 及早停止

9.5 正则化

9.6 偏差与方差

9.7 用贝叶斯法则进行线拟合

参考资料

第10章 神经元

10.1 为什么这一章出现在这里

10.2 真实神经元

10.3 人工神经元

10.4 小结

参考资料

第11章 学习与推理

11.1 为什么这一章出现在这里

11.2 学习的步骤

11.3 演绎和归纳