深度學習的數學-使用Python語言 羅納德.T.紐塞爾 9787115607775 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：人民郵電
物品所在地：中國大陸
原出版社：人民郵電
NT$571
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202402*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：深度學習的數學-使用Python語言 ISBN：9787115607775 出版社：人民郵電 著編譯者：羅納德.T.紐塞爾 頁數：238 所在地：中國大陸 *此為代購商品 書號：1615567 可大量預訂，請先連絡。 內容簡介 深度學習是一門注重應用的學科。了解深度學習背後的數學原理的人，可以在應用深度學習解決實際問題時遊刃有餘。本書通過Python代碼示例來講解深度學習背後的關鍵數學知識，包括概率論、統計學、線性代數、微分等，並進一步解釋神經網路、反向傳播、梯度下降等深度學習領域關鍵知識背後的原理。 本書適合有一定深度學習基礎、了解Pyho如編程語言的讀者閱讀，也可作為拓展深度學習理論的參考書。作者簡介 羅納德·T 紐塞爾（Ronald T Kneusel）自2003年以來一直在工業界從事機器學習的相關工作。他在2016年于科羅拉多大學博爾德分校獲得機器學習博士學位，著有Practical Deep Learning（No Starch Press，2016）、Random Numbers and Computers（Springer，2018）等圖書。目錄 第1章 搭建舞台1 1 組件安裝 1 1 1 Linux 1 1 2 macOS 1 1 3 Windows 1 2 NumPy 1 2 1 定義數組 1 2 2 數據類型 1 2 3 二維數組 1 2 4 全0數組和全1數組 1 2 5 高級索引 1 2 6 讀寫磁碟 1 3 SciPy 1 4 matplotlib 1 5 scikit-learn 1 6 小結 第2章 概率論 2 1 基礎概念 2 1 1 樣本空間和事件 2 1 2 隨機變數 2 1 3 人類不擅於處理概率問題 2 2 概率法則 2 2 1 事件的概率 2 2 2 加法法則 2 2 3 乘法法則 2 2 4 加法法則的修正版 2 2 5 生日難題 2 2 6 條件概率 2 2 7 全概率公式 2 3 聯合概率和邊緣概率 2 3 1 聯合概率表 2 3 2 概率的鏈式法則 2 4 小結 第3章 概率論進階 3 1 概率分佈 3 1 1 直方圖與概率 3 1 2 離散型概率分佈 3 1 3 連續型概率分佈 3 1 4 中心極限定理 3 1 5 大數法則 3 2 貝葉斯定理 3 2 1 回到判斷女性是否患有乳腺癌的例子 3 2 2 更新先驗 3 2 3 機器學習中的貝葉斯定理 3 3 小結 第4章 統計學 4 1 數據類型 4 1 1 定類數據 4 1 2 定序數據 4 1 3 定距數據 4 1 4 定比數據 4 1 5 在深度學習中使用定類數據 4 2 描述性統計量 4 2 1 均值和中位數 4 2 2 用於衡量變化的統計量 4 3 分位數和箱形圖 4 4 缺失數據 4 5 相關性 4 5 1 皮爾森相關性 4 5 2 斯皮爾曼相關性 4 6 假設檢驗 4 6 1 假設 4 6 2 t檢驗 4 6 3 曼-惠特尼U檢驗 4 7 小結 第5章 線性代數 5 1 標量、向量、矩陣和張量 5 1 1 標量 5 1 2 向量 5 1 3 矩陣 5 1 4 張量 5 2 用張量進行代數運算 5 2 1 數組運算 5 2 2 向量運算 5 2 3 矩陣乘法 5 2 4 克羅內克積 5 3 小結 第6章 線性代數進階 6 1 方陣 6 1 1 為什麼需要方陣 6 1 2 轉置、跡和冪 6 1 3 特殊方陣 6 1 4 三角矩陣 6 1 5 行列式 6 1 6 逆運算 6 1 7 對稱矩陣、正交矩陣和酉矩陣 6 1 8 對稱矩陣的正定性 6 2 特徵向量和特徵值 6 3 向量范數和距離度量 6 3 1 L范數和距離度量 6 3 2 協方差矩陣 6 3 3 馬氏距離 6 3 4 K-L散度 6 4 主成分分析 6 5 奇異值分解和偽逆 6 5 1 SVD實戰 6 5 2 SVD的兩個應用 6 6 小結 第7章 微分 7 1 斜率 7 2 導數 7 2 1 導數的正式定義 7 2 2 基本法則 7 2 3 三角函數的求導法則 7 2 4 指數函數和自然對數的求導法則 7 3 函數的極小值和極大值 7 4 偏導數 7 4 1 混合偏導數 7 4 2 偏導數的鏈式法則 7 5 梯度 7 5 1 梯度的計算 7 5 2 可視化梯度 7 6 小結 第8章 矩陣微分 8 1 一些公式 8 1 1 關於標量的向量函數 8 1 2 關於向量的標量函數 8 1 3 關於向量的向量函數 8 1 4 關於標量的矩陣函數 8 1 5 關於矩陣的標量函數 8 2 一些性質 8 2 1 關於向量的標量函數 8 2 2 關於標量的向量函數 8 2 3 關於向量的向量函數 8 2 4 關於矩陣的標量函數 8 3 雅可比矩陣和黑塞矩陣 8 3 1 雅可比矩陣 8 3 2 黑塞矩陣 8 4 矩陣微分的一些實例 8 4 1 元素級運算求導 8 4 2 激活函數的導數 8 5 小結 第9章 神經網路中的數據流 9 1 數據的表示 9 1 1 在傳統神經網路中表示數據 9 1 2 在深度卷積網路中表示數據 9 2 傳統神經網路中的數據流 9 3 卷積神經網路中的數據流 9 3 1 卷積 9 3 2 卷積層 9 3 3 池化層 9 3 4 全連接層 9 3 5 綜合應用 9 4 小結 第10章 反向傳播 10 1 什麼是反向傳播 10 2 手把手進行反向傳播 10 2 1 計算偏導數 10 2 2 用Python進行實現 10 2 3 訓練和測試模型 10 3 全連接網路的反向傳播 10 3 1 誤差的反向傳播 10 3 2 關於權重和偏置求偏導數 10 3 3 Python實現代碼 10 3 4 測試Python實現代碼 10 4 計算圖 10 5 小結 第11章 梯度下降 11 1 基本原理 11 1 1 一維函數的梯度下降 11 1 2 二維函數的梯度下降 11 2 隨機梯度下降 11 3 動量機制 11 3 1 什麼是動量 11 3 2 一維情況下的動量機制 11 3 3 二維情況下的動量機制 11 3 4 在訓練模型時引入動量 11 3 5 涅斯捷洛夫動量 11 4 自適應梯度下降 11 4 1 RMSprop 11 4 2 Adagrad 11 4 3 Adam 11 4 4 關於優化器的一些思考 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
