- TensorFlow深度学习(数学原理与Python实战进阶)/深度学习系列
- - 作者：(印)桑塔努·帕塔纳雅克|责编:闾洪庆//林桢|译者:魏国强//倪晨杰//李杨//厉高远//罗佳程
  - 出版社：机械工业
  - ISBN：9787111645849
  - 出版日期：2020/04/01
  - 页数：308
- 售价：39.6

内容大纲
本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。
本书提供了丰富的理论和实战动手经验，使你可以从零开始掌握深度学习，并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验，你将能够使用原型来构建新的深度学习应用程序。
作者介绍
目录
原书前言
译者简介
第1章  数学基础
  1.1  线性代数
    1.1.1  向量
    1.1.2  标量
    1.1.3  矩阵
    1.1.4  张量
    1.1.5  矩阵的运算和操作
    1.1.6  向量的线性独立
    1.1.7  矩阵的秩
    1.1.8  单位矩阵或恒等运算符
    1.1.9  矩阵的行列式
    1.1.10  逆矩阵
    1.1.11  向量的范数（模）
    1.1.12  伪逆矩阵
    1.1.13  以特定向量为方向的单位向量
    1.1.14  一个向量在另一个向量方向上的投影（或射影）
    1.1.15  特征向量
  1.2  微积分
    1.2.1  微分
    1.2.2  函数的梯度
    1.2.3  连续偏导数
    1.2.4  海森矩阵
    1.2.5  函数的极大值和极小值
    1.2.6  局部极小值和全局最小值
    1.2.7  半正定以及正定矩阵
    1.2.8  凸集
    1.2.9  凸函数
    1.2.10  非凸函数
    1.2.11  多变量凸函数以及非凸函数范例
    1.2.12  泰勒级数
  1.3  概率
    1.3.1  并集、交集和条件概率
    1.3.2  事件交集概率的链式法则
    1.3.3  互斥事件
    1.3.4  事件独立性
    1.3.5  事件条件独立性
    1.3.6  贝叶斯定理（公式）
    1.3.7  概率质量函数
    1.3.8  概率密度函数
    1.3.9  随机变量的数学期望
    1.3.10  随机变量的方差
    1.3.11  偏度和峰度
    1.3.12  协方差
    1.3.13  相关性系数
    1.3.14  一些常见的概率分布
    1.3.15  似然函数
    1.3.16  最大似然估计
    1.3.17  假设检验和p值

  1.4  机器学习算法的制定与优化算法
    1.4.1  监督学习
    1.4.2  无监督学习
    1.4.3  机器学习的优化算法
    1.4.4  约束优化问题
  1.5  机器学习中的几个重要主题
  ……
第3章  卷积神经网络
第2章  深度学习概念和TensorFlow介绍
第4章  基于循环神经网络的自然语言处理
第5章  用受限玻尔兹曼机和自编码器进行无监督学习
第6章  高级神经网络

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目