深度学习的数学：使用Python语言

11.5 小结

11.4 自适应梯度下降

11.3 动量机制

11.2 随机梯度下降

11.1 基本原理

第11章 梯度下降

10.5 小结

10.4 计算图

10.3 全连接网络的反向传播

10.2 手把手进行反向传播

10.1 什么是反向传播

第10章 反向传播

9.4 小结

9.3 卷积神经网络中的数据流

9.2 传统神经网络中的数据流

9.1 数据的表示

第9章 神经网络中的数据流

8.5 小结

8.4 矩阵微分的一些实例

8.3 雅可比矩阵和黑塞矩阵

8.2 一些性质

8.1 一些公式

第8章 矩阵微分

7.6 小结

7.5 梯度

7.4 偏导数

7.3 函数的极小值和极大值

7.2 导数

7.1 斜率

第7章 微分

6.6 小结

6.5 奇异值分解和伪逆

6.4 主成分分析

6.3 向量范数和距离度量

6.2 特征向量和特征值

6.1 方阵

第6章 线性代数进阶

5.3 小结

5.2 用张量进行代数运算

5.1 标量、向量、矩阵和张量

第5章 线性代数

4.7 小结

4.6 假设检验

4.5 相关性

4.4 缺失数据

4.3 分位数和箱形图

4.2 描述性统计量

4.1 数据类型

第4章 统计学

3.3 小结

3.2 贝叶斯定理

3.1 概率分布

第3章 概率论进阶

2.4 小结

2.3 联合概率和边缘概率

2.2 概率法则

2.1 基础概念

第2章 概率论

1.6 小结

1.5 scikit-learn

1.4 matplotlib

1.3 SciPy

1.2 NumPy

1.1 组件安装

第1章 搭建舞台

前言

序

译者序

推荐序

内容提要

版权声明

版权信息

封面

封面

版权信息

版权声明

内容提要

推荐序

译者序

序

前言

第1章 搭建舞台

1.1 组件安装

1.2 NumPy

1.3 SciPy

1.4 matplotlib

1.5 scikit-learn

1.6 小结

第2章 概率论

2.1 基础概念

2.2 概率法则

2.3 联合概率和边缘概率

2.4 小结

第3章 概率论进阶

3.1 概率分布

3.2 贝叶斯定理

3.3 小结

第4章 统计学

4.1 数据类型

4.2 描述性统计量

4.3 分位数和箱形图

4.4 缺失数据

4.5 相关性

4.6 假设检验

4.7 小结

第5章 线性代数

5.1 标量、向量、矩阵和张量

5.2 用张量进行代数运算

5.3 小结

第6章 线性代数进阶

6.1 方阵

6.2 特征向量和特征值

6.3 向量范数和距离度量

6.4 主成分分析

6.5 奇异值分解和伪逆

6.6 小结

第7章 微分

7.1 斜率

7.2 导数

7.3 函数的极小值和极大值

7.4 偏导数

7.5 梯度

7.6 小结

第8章 矩阵微分

8.1 一些公式

8.2 一些性质

8.3 雅可比矩阵和黑塞矩阵

8.4 矩阵微分的一些实例

8.5 小结

第9章 神经网络中的数据流

9.1 数据的表示

9.2 传统神经网络中的数据流

9.3 卷积神经网络中的数据流

9.4 小结

第10章 反向传播

10.1 什么是反向传播

10.2 手把手进行反向传播

10.3 全连接网络的反向传播

10.4 计算图

10.5 小结

第11章 梯度下降

11.1 基本原理

11.2 随机梯度下降

11.3 动量机制

11.4 自适应梯度下降

11.5 小结