有多久没做数学题了？《深度学习的数学——使用Python语言》阅读活动上线
<p><strong>书籍作者有超过15年的深度学习从业经验，书籍有详细推导，学懂“概念是怎么来的”。</strong></p><p>深度学习是一门注重应用的学科。了解深度学习背后的数学原理的人，可以在应用深度学习解决实际问题时游刃有余。本书<strong>通过Python代码示例来讲解深度学习背后的关键数学知识</strong>，包括概率论、统计学、线性代数、微分等，并进一步解释神经网络、反向传播、梯度下降等深度学习领域关键知识背后的原理。 本书适合有一定深度学习基础、了解Pyho如编程语言的读者阅读，也可作为拓展深度学习理论的参考书。</p>
<p><img _height="347" border="0" src="https://bbs.eeworld.com.cn/data/attachment/forum/202411/08/163043tz1nazd7ante50mm.png" width="300" /></p>
<p> </p>
<p style="background:rgb(255,255,255)"><strong>如何申请</strong></p>
<p style="background:rgb(255,255,255)">（1）往下滑到“产品资料”栏，可进一步了解书籍内容，章节设置；</p>
<p style="background:rgb(255,255,255)">（2）<a href="https://bbs.eeworld.com.cn/elecplay/apply/420" target="_self">>>点击我要申请</a>，认真填写申请理由、阅读分享计划等，即有机会免费获取书籍。本期活动有1个名额可使用测评券，先用先得。</p>
<p style="background:rgb(255,255,255)"> </p>
<p style="background:rgb(255,255,255)"><strong>活动日程</strong></p>
<p style="background:rgb(255,255,255)">申请时间：11月14日至12月1日<br />
遴选公布：12月4日前，公布全部入围名单<br />
阅读时间：12月11日-2月28日<br />
颁奖时间：活动结束后两周内</p>
<p style="background:rgb(255,255,255)"> </p>
<p style="background:rgb(255,255,255)"><strong>产品资料</strong></p>
<p style="background:rgb(255,255,255)"><img _height="4569" border="0" src="https://bbs.eeworld.com.cn/data/attachment/elecplay/upload/image/20241108/1731054441893628.jpg" width="300" /></p>
<p style="background:rgb(255,255,255)"> </p>
<p>书籍目录：</p>
<p><strong>第 1 章 搭建舞台 1</strong><br />
1.1 组件安装 2<br />
1.1.1 Linux 2<br />
1.1.2 macOS 3<br />
1.1.3 Windows 3<br />
1.2 NumPy 4<br />
1.2.1 定义数组 4<br />
1.2.2 数据类型 4<br />
1.2.3 二维数组 5<br />
1.2.4 全 0 数组和全 1 数组 6<br />
1.2.5 高级索引 6<br />
1.2.6 读写磁盘 8<br />
1.3 SciPy 8<br />
1.4 matplotlib 9<br />
1.5 scikit-learn 11<br />
1.6 小结 12<br />
<strong>第 2 章 概率论 13</strong><br />
2.1 基础概念 13<br />
2.1.1 样本空间和事件 14<br />
2.1.2 随机变量 14<br />
2.1.3 人类不擅于处理概率问题 15<br />
2.2 概率法则 16<br />
2.2.1 事件的概率 16<br />
2.2.2 加法法则 18<br />
2.2.3 乘法法则 19<br />
2.2.4 加法法则的修正版 20<br />
2.2.5 生日难题 20<br />
2.2.6 条件概率 23<br />
2.2.7 全概率公式 24<br />
2.3 联合概率和边缘概率 25<br />
2.3.1 联合概率表 25<br />
2.3.2 概率的链式法则 29<br />
2.4 小结 30<br />
<strong>第 3 章 概率论进阶 31</strong><br />
3.1 概率分布 31<br />
3.1.1 直方图与概率 32<br />
3.1.2 离散型概率分布 34<br />
3.1.3 连续型概率分布 39<br />
3.1.4 中心极限定理 42<br />
3.1.5 大数法则 45<br />
3.2 贝叶斯定理 45<br />
3.2.1 回到判断女性是否患有乳腺癌的例子 46<br />
3.2.2 更新先验 47<br />
3.2.3 机器学习中的贝叶斯定理 48<br />
3.3 小结 50<br />
<strong>第 4 章 统计学 51</strong><br />
4.1 数据类型 51<br />
4.1.1 定类数据 52<br />
4.1.2 定序数据 52<br />
4.1.3 定距数据 52<br />
4.1.4 定比数据 52<br />
4.1.5 在深度学习中使用定类数据 53<br />
4.2 描述性统计量 54<br />
4.2.1 均值和中位数 54<br />
4.2.2 用于衡量变化的统计量 57<br />
4.3 分位数和箱形图 60<br />
4.4 缺失数据 64<br />
4.5 相关性 66<br />
4.5.1 皮尔森相关性 67<br />
4.5.2 斯皮尔曼相关性 70<br />
4.6 假设检验 71<br />
4.6.1 假设 72<br />
4.6.2 t 检验 73<br />
4.6.3 曼-惠特尼 U 检验 77<br />
4.7 小结 79<br />
<strong>第 5 章 线性代数 80</strong><br />
5.1 标量、向量、矩阵和张量 80<br />
5.1.1 标量 81<br />
5.1.2 向量 81<br />
5.1.3 矩阵 82<br />
5.1.4 张量 82<br />
5.2 用张量进行代数运算 84<br />
5.2.1 数组运算 85<br />
5.2.2 向量运算 86<br />
5.2.3 矩阵乘法 93<br />
5.2.4 克罗内克积 97<br />
5.3 小结 98<br />
<strong>第 6 章 线性代数进阶 99</strong><br />
6.1 方阵 99<br />
6.1.1 为什么需要方阵 100<br />
6.1.2 转置、迹和幂 101<br />
6.1.3 特殊方阵 103<br />
6.1.4 三角矩阵 104<br />
6.1.5 行列式 104<br />
6.1.6 逆运算 107<br />
6.1.7 对称矩阵、正交矩阵和酉矩阵 108<br />
6.1.8 对称矩阵的正定性 109<br />
6.2 特征向量和特征值 110<br />
6.3 向量范数和距离度量 113<br />
6.3.1 L 范数和距离度量 113<br />
6.3.2 协方差矩阵 114<br />
6.3.3 马氏距离 116<br />
6.3.4 K-L 散度 118<br />
6.4 主成分分析 120<br />
6.5 奇异值分解和伪逆 122<br />
6.5.1 SVD 实战 123<br />
6.5.2 SVD 的两个应用 124<br />
6.6 小结 126<br />
<strong>第 7 章 微分 127</strong><br />
7.1 斜率 127<br />
7.2 导数 129<br />
7.2.1 导数的正式定义 129<br />
7.2.2 基本法则 130<br />
7.2.3 三角函数的求导法则 133<br />
7.2.4 指数函数和自然对数的求导法则 135<br />
7.3 函数的极小值和极大值 137<br />
7.4 偏导数 140<br />
7.4.1 混合偏导数 142<br />
7.4.2 偏导数的链式法则 142<br />
7.5 梯度 143<br />
7.5.1 梯度的计算 144<br />
7.5.2 可视化梯度 146<br />
7.6 小结 148<br />
<strong>第 8 章 矩阵微分 149</strong><br />
8.1 一些公式 149<br />
8.1.1 关于标量的向量函数 150<br />
8.1.2 关于向量的标量函数 151<br />
8.1.3 关于向量的向量函数 152<br />
8.1.4 关于标量的矩阵函数 152<br />
8.1.5 关于矩阵的标量函数 153<br />
8.2 一些性质 154<br />
8.2.1 关于向量的标量函数 154<br />
8.2.2 关于标量的向量函数 156<br />
8.2.3 关于向量的向量函数 156<br />
8.2.4 关于矩阵的标量函数 157<br />
8.3 雅可比矩阵和黑塞矩阵 158<br />
8.3.1 雅可比矩阵 159<br />
8.3.2 黑塞矩阵 163<br />
8.4 矩阵微分的一些实例 168<br />
8.4.1 元素级运算求导 168<br />
8.4.2 激活函数的导数 169<br />
8.5 小结 171<br />
<strong>第 9 章 神经网络中的数据流 172</strong><br />
9.1 数据的表示 172<br />
9.1.1 在传统神经网络中表示数据 173<br />
9.1.2 在深度卷积网络中表示数据 173<br />
9.2 传统神经网络中的数据流 175<br />
9.3 卷积神经网络中的数据流 178<br />
9.3.1 卷积 179<br />
9.3.2 卷积层 183<br />
9.3.3 池化层 185<br />
9.3.4 全连接层 186<br />
9.3.5 综合应用 186<br />
9.4 小结 189<br />
<strong>第 10 章 反向传播 190</strong><br />
10.1 什么是反向传播 190<br />
10.2 手把手进行反向传播 191<br />
10.2.1 计算偏导数 192<br />
10.2.2 用 Python 进行实现 194<br />
10.2.3 训练和测试模型 197<br />
10.3 全连接网络的反向传播 199<br />
10.3.1 误差的反向传播 199<br />
10.3.2 关于权重和偏置求偏导数 201<br />
10.3.3 Python 实现代码 203<br />
10.3.4 测试 Python 实现代码 206<br />
10.4 计算图 208<br />
10.5 小结 210<br />
<strong>第 11 章 梯度下降 211</strong><br />
11.1 基本原理 211<br />
11.1.1 一维函数的梯度下降 212<br />
11.1.2 二维函数的梯度下降 214<br />
11.2 随机梯度下降 219<br />
11.3 动量机制 221<br />
11.3.1 什么是动量 221<br />
11.3.2 一维情况下的动量机制 222<br />
11.3.3 二维情况下的动量机制 223<br />
11.3.4 在训练模型时引入动量 225<br />
11.3.5 涅斯捷洛夫动量 229<br />
11.4 自适应梯度下降 231<br />
11.4.1 RMSprop 231<br />
11.4.2 Adagrad 232<br />
11.4.3 Adam 233<br />
11.4.4 关于优化器的一些思考 234<br />
11.5 小结 235<br />
附录 学无止境 236<br />
概率与统计 236<br />
线性代数 237<br />
微积分 237<br />
深度学习 237</p>
<p> </p>
<p> </p>
<p>更多活动内容，<a href="https://bbs.eeworld.com.cn/elecplay/content/be206c49" target="_blank">点此前往活动页面</a></p>
<p style="background:rgb(255,255,255)"> </p>
<p>这本书不错，感觉和之前的一本书风格也特别像 </p>
<p>要学、可学的内容很多呀。。。。。。。。。。。。。。。。。</p>
<p><img height="63" src="https://bbs.eeworld.com.cn/static/editor/plugins/hkemoji/sticker/facebook/victory.gif" width="61" /></p>
<p>想学，可精力有限</p>
<p>好长时间没做数学题了，《深度学习的数学——使用Python语言》这本书哪里有电子档啊？</p>
<p>毕业这么多年了，微积分解析几何全都忘了，估计看不懂这本了</p>
<p>现在AI太火了，EE社区紧抓热点，赞！</p>
<p>图灵给我推2025的新书，60%是AI（尤其是大模型）相关的</p>
页:
[1]