【新书】深度学习的数学和架构，552页pdf

深度学习“黑匣子”之探索。这本全面且详尽的指南揭示了深度学习模型背后的数学和架构概念，使您能够更有效地定制、维护和解释它们。在《深度学习的数学和架构》一书中，您将找到：

• 数学、理论与编程原则并重
• 深度学习的线性代数、向量微积分和多变量统计
• 神经网络的结构
• 使用Python和PyTorch实现深度学习架构
• 故障排除表现不佳的模型
• 可下载的Jupyter笔记本中的工作代码样本

深度学习模型背后的数学范式通常始于难以阅读的学术论文，使工程师对这些模型的实际功能一无所知。《深度学习的数学和架构》一书弥合了理论与实践之间的鸿沟，将深度学习的数学与Python和PyTorch的实际实现并列展示。由深度学习专家Krishnendu Chaudhury撰写，您将窥视“黑匣子”内部，理解您的代码如何工作，并学会如何将前沿研究转化为实际应用。 序言作者：Prith Banerjee。 购买纸质书包括从Manning出版社免费获取PDF、Kindle和ePub格式的电子书。 关于技术 探索黑匣子内部的秘密！在使用深度学习时，您需要选择正确的模型，训练它，预处理您的数据，评估性能和准确性，并处理部署解决方案的输出中的不确定性和变异性。本书将系统地引导您了解作为工作数据科学家所需的核心数学概念：向量微积分、线性代数和贝叶斯推断，都是从深度学习的角度出发。 关于本书 《深度学习的数学和架构》教授深度学习模型的数学、理论和编程原则，并将它们并列展示，然后通过带注释的Python代码将它们付诸实践。您将从代数、微积分和统计学一路进展到采用最新研究成果的前沿DL架构。 书中内容

• 神经网络的核心设计原则
• 使用Python和PyTorch实现深度学习
• 规范化和优化表现不佳的模型

关于读者 读者需要了解Python及代数和微积分的基础知识。 关于作者 Krishnendu Chaudhury是AI初创公司Drishti Technologies的联合创始人兼首席技术官。他此前在Google和Adobe各工作了十年。 目录

1. 机器学习和深度学习概述
2. 机器学习中的向量、矩阵和张量
3. 分类器和向量微积分
4. 机器学习中的线性代数工具
5. 机器学习中的概率分布
6. 机器学习中的贝叶斯工具
7. 函数近似：神经网络如何模拟世界
8. 训练神经网络：前向传播和反向传播
9. 损失、优化和规范化
10. 神经网络中的卷积
11. 用于图像分类和对象检测的神经网络
12. 流形、同胚和神经网络
13. 全贝叶斯模型参数估计
14. 潜在空间和生成建模，自编码器和变分自编码器 A 附录