本站收集了一篇机器学习相关的资料，介绍了关于深度学习、AI方面，格式为PDF，资源大小30.8 MB，目前在机器学习类资源综合评分为：8.4分。

AI圣经！深度学习行业奠基性的经典畅销书籍！长期性稳居亚马逊美国AI和机器学习类书籍第一！全部大数据工程师和机器学习从业人员的必看书籍！特斯拉汽车CEO埃隆埃隆马斯克等世界各国诸多专家预测！深度学习是机器学习的一个支系，它可以使电子计算机根据层级概念来学习方法和了解全球。由于电子计算机可以从工作经验中获得知识，因此不用人们来流于形式地界定电子计算机必须的全部知识。层级概念容许电子计算机根据结构简易的概念来学习培训繁杂的概念，而这种层次的图构造将具备很深的层级。这书会详细介绍深度学习行业的很多主题。这书包揽了数学课及有关概念的背景图知识，包含线性代数、摡率论、信息论、标值提升及其机器学习中的相关内容。另外，它还详细介绍了工业领域中践行者采用的深度学习技术性，包含深层前馈互联网、正则化、优化计算方法、卷积网络、编码序列模型和实践活动方式等，而且调查了例如自然语言理解解决、语音识别技术、人工智能算法、线上推荐算法、生物信息学及其游戏视频层面的运用。*后，这书还出示了一些研究内容，包含的基础理论主题包含线形因素实体模型、自编码器、表示学习、结构型概率模型、蒙特卡罗方式、配分函数、类似推论及其深层生成模型。《深度学习》这本书既能够被本科毕业或硕士研究生用以整体规划其学界或工业领域职业生涯，也适用期待在各种各样商品或服务平台上刚开始应用深度学习技术性的前端工程师。创作者在这书的配套设施网址上为阅读者和老师出示了填补材料。汉化版阅读者能够浏览人民邮电出版社异步社区www.epubit.com.cn获得基本信息。封面图特点：由艺术大师DanielAmbrosi出示的世纪新城杜鹃绿道美好园林景观。在Ambrosi的数亿级清晰度全景图片上，运用JosephSmarr（Google）和ChirsLamb（NVIDIA）改动后的GoogleDeepDream开源代码，造就了DanielAmbrosi的幻景。 《深度学习》由全世界著名的三位权威专家IanGoodfellow、YoshuaBengio和AaronCourville编写，是深度学习行业奠基性的经典教材内容。本书的內容包含三个一部分：第一一部分详细介绍基础的数学工具和机器学习的概念，他们是深度学习的准备知识；第二一部分系统软件深层次地解读现如今已完善的深度学习方式和技术性；第三一部分探讨一些具备创新性的方位和念头，他们被认可为是深度学习将来的科学研究重中之重。《深度学习》合适各种阅读者阅读文章，包含有关技术专业的在校大学生或硕士研究生，及其不具备机器学习或统计分析背景图、可是要想迅速填补深度学习知识，便于在具体商品或服务平台中运用的前端工程师。 目录 第1章引言1 1.1本书面向的读者7 1.2深度学习的历史趋势8 1.2.1神经网络的众多名称和命运变迁8 1.2.2与日俱增的数据量12 1.2.3与日俱增的模型规模13 1.2.4与日俱增的精度、复杂度和对现实世界的冲击15 第1部分应用数学与机器学习基础 第2章线性代数19 2.1标量、向量、矩阵和张量19 2.2矩阵和向量相乘21 2.3单位矩阵和逆矩阵22 2.4线性相关和生成子空间23 2.5范数24 2.6特殊类型的矩阵和向量25 2.7特征分解26 2.8奇异值分解28 2.9Moore-Penrose伪逆28 2.10迹运算29 2.11行列式30 2.12实例：主成分分析.30 第3章概率与信息论.34 3.1为什么要使用概率34 3.2随机变量35 3.3概率分布36 3.3.1离散型变量和概率质量函数36 3.3.2连续型变量和概率密度函数36 3.4边缘概率37 3.5条件概率37 3.6条件概率的链式法则38 3.7独立性和条件独立性38 3.8期望、方差和协方差38 3.9常用概率分布39 3.9.1Bernoulli分布40 3.9.2Multinoulli分布40 3.9.3高斯分布40 3.9.4指数分布和Laplace分布41 3.9.5Dirac分布和经验分布42 3.9.6分布的混合42 3.10常用函数的有用性质43 3.11贝叶斯规则45 3.12连续型变量的技术细节45 3.13信息论47 3.14结构化概率模型49 第4章数值计算52 4.1上溢和下溢52 4.2病态条件53 4.3基于梯度的优化方法53 4.3.1梯度之上：Jacobian和Hessian矩阵56 4.4约束优化60 4.5实例：线性最小二乘61 第5章机器学习基础.63 5.1学习算法63 5.1.1任务T63 5.1.2性能度量P66 5.1.3经验E66 5.1.4示例：线性回归68 5.2容量、过拟合和欠拟合70 5.2.1没有免费午餐定理73 5.2.2正则化74 5.3超参数和验证集76 5.3.1交叉验证76 5.4估计、偏差和方差.77 5.4.1点估计77 5.4.2偏差78 5.4.3方差和标准差80 5.4.4权衡偏差和方差以最小化均方误差81 5.4.5一致性82 5.5最大似然估计82 5.5.1条件对数似然和均方误差84 5.5.2最大似