深度學習的數學和架構
(美國)克裏什南杜·喬杜裏//阿南婭·H.阿肖克//蘇傑·納魯曼奇//德瓦希什·尚卡爾 李丹 張燁
- 出版商: 東南大學
- 出版日期: 2026-08-01
- 售價: $1,128
- 語言: 簡體中文
- 頁數: 545
- ISBN: 7576622962
- ISBN-13: 9787576622966
-
相關分類:
DeepLearning、線性代數 Linear-algebra、Python
- 此書翻譯自: Math and Architectures of Deep Learning
-
相關翻譯:
深度學習黑箱:數學基礎與架構設計 (簡中版)
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$894神經網絡與深度學習 -
$510高等量子力學, 4/e -
微積分勝典 (微積分究竟在說什麼?進階版)$550$495 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
物理 (力學與熱學篇), 11/e$820$738 -
Development of Quantum Theory from Physical Principles: Quantum Mechanics Without Waves (Paperback)$1,060$1,038 -
打好 AI 的基礎:一探機器學習底層數學運作$880$695 -
給工程師的第一本理財書:程式金融交易的 118個入門關鍵 技巧【暢銷回饋版】$500$390 -
零基礎入門的 Python 自動化投資:10年操盤手團隊量化通,教你從零開始學程式交易,讓你輕鬆選股、判斷買賣時機,精準獲利$450$405 -
$453Windows11 操作系統從入門到精通 -
Python AI 人員必修的科學計算 - 數學、機率、統計、演算$880$695 -
無痛上手量化合約程式交易:Python × Pandas × TA-Lib從零打造專屬量化合約機器人$660$514 -
Python:股票 × ETF 量化交易實戰 105個活用技巧, 2/e$660$330 -
$559大語言模型應用指南:以 ChatGPT 為起點,從入門到精通的 AI 實踐教程 (全彩) -
$418高等數學(下冊)精選750題 -
$418高等數學(上冊)精選750題 -
跟我學 Windows 11 輕鬆操作、高效應用必備技 (附「Copilot智慧AI助手」與「Win11進階應用」教學影片)$580$458 -
深度學習詳解|台大李宏毅老師機器學習課程精粹$750$592 -
Halliday & Resnick Principles of Physics : Extended, WCE, 12/e V1+V2 (套書封膜不分售)$1,640$1,607 -
$894人工智能大模型數學基礎 -
$948線性代數不難【下冊】:幾何直覺構建 + Manim 動畫開悟 + Python 應用實踐 + AI 助學賦能 -
$418微積分精選850題 -
$714人工智能數學入門 -
$348矩陣理論教程 -
$294微積分的創立與分析的形成
相關主題
商品描述
探索黑匣子內部的奧秘!要運用深度學習,必須選擇合適的模型,訓練、預處理數據,評估其性能和準確率,並處理已部署解決方案輸出中的不確定性和多變性。本書從深度學習的視角,系統地講解作為一名數據科學家所需的核心數學概念:向量微積分、線性代數和貝葉斯推理。 本書將同時講解深度學習模型的數學、理論和編程原則,然後通過註釋清晰的Python代碼將它們付諸實踐。您將從代數、微積分和統計學開始逐步學習,直至基於最新研究成果的最先進的深度學習架構。 內容涵蓋: 神經網絡的核心設計原則、使用Python和PyTorch實現深度學習、正則化和優化表現不佳的模型。 讀者需要了解Python以及代數和微積分的基礎知識。
作者簡介
克裏什南杜·喬杜裏是人工智能初創公司Drishti Technologies的聯合創始人兼首席技術官。他曾在Google和Adobe分別工作10年。
目錄大綱
第1章 機器學習和深度學習概述
1.1 機器學習/深度學習初探:計算範式轉變
1.2 機器學習的函數逼近視角:模型和訓練
1.3 一個簡單的機器學習模型:貓腦
1.3.1 輸入特征
1.3.2 輸出決策
1.3.3 模型估計
1.3.4 模型架構選擇
1.3.5 模型訓練
1.3.6 推理
1.4 機器學習的幾何視角
1.5 機器學習中的回歸和分類
1.6 線性和非線性模型
1.7 通過多個非線性層實現更高的表達能力:深度神經網絡
小結
第2章 機器學習中的向量、矩陣和張量
2.1 向量及其在機器學習中的作用
2.1.1 向量的幾何視角以及它在機器學習中的重要性
2.2 用於向量操作的PyTorch代碼
2.2.1 用於向量簡介的PyTorch代碼
2.3 矩陣及其在機器學習中的作用
2.3.1 數字圖像的矩陣表示
2.4 Python代碼:通過PyTorch介紹矩陣、張量和圖像
2.5 機器學習中的基本向量和矩陣運算
2.5.1 矩陣和向量轉置
2.5.2 向量的點積及其在機器學習中的作用
2.5.3 矩陣乘法和機器學習
2.5.4 向量長度(L2範數):模型誤差
2.5.5 向量長度的幾何直覺
2.5.6 點積的幾何直覺:特征相似度
2.6 向量的正交性及其物理意義
2.7 Python代碼:向量和矩陣的基本操作的PyTorch代碼
2.7.1 矩陣轉置的PyTorch代碼
2.7.2 點積的PyTorch代碼
2.7.3 矩陣-向量乘法的PyTorch代碼
2.7.4 矩陣-矩陣乘法的PyTorch代碼
2.7.5 矩陣積的轉置的PyTorch代碼
2.8 高維度線性方程、高維度平面方程和機器學習
2.8.1 高維度線性方程
2.8.2 高維度平面及其在機器學習中的作用
2.9 線性組合、張成空間、基向量和共線性保持
2.9.1 線性相關
2.9.2 向量組的張成空間
2.9.3 向量空間、基向量和封閉性
2.10 線性變換:幾何和代數解釋
2.10.1 線性變換的一般多維定義
2.10.2 所有的矩陣-向量乘法都是線性變換
2.11 多維數組、多線性變換和張量
2.11.1 數組視角:多維數值數組
2.12 線性系統和逆矩陣
2.12.1 具有零或接近零的行列式的線性系統和病態系統
2.12.2 用於矩陣逆、行列式和奇異性測試的PyTorch代碼
2.12.3 機器學習中的超定和欠定線性系統
2.12.4 矩陣的Moore Penrose偽逆
2.12.5 矩陣的偽逆:一個美麗的幾何直覺
2.12.6 求解超定系統的PyTorch代碼
……
第3章 分類器和向量微積分
第4章 機器學習中的線性代數工具
第5章 機器學習中的概率分布
第6章 機器學習的葉貝斯工具
第7章 函數近似:神經網絡如何模擬世界
第8章 訓練神經網絡:前向傳播和反向傳播
第9章 損失、優化和正則化
第10章 神經網絡中的卷積
第11章 用於圖像分類和目標檢測的神經網絡
第12章 流形、同胚和神經網絡
第13章 完全貝葉斯模型參數估計
第14章 潛在空間和生成建模、自動編碼器和變分自動編碼器
附錄
