深度学习的数学 - (EPUB全文下载)

文件大小：9.29 mb。
文件格式：epub 格式。
书籍内容：

版权信息
书名：深度学习的数学
作者：[日]　涌井良幸　涌井贞美
译者：杨瑞龙
ISBN：978-7-115-50934-5
本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必究。
您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
图灵社区会员 wilsonyun（wilsonyun@163.com） 专享 尊重版权
版权声明
前言
本书的使用说明
Excel 示例文件的下载
第 1 章　神经网络的思想
1-1 神经网络和深度学习
备受瞩目的深度学习
神经网络
用神经网络实现的人工智能
“人教导机器”类型的人工智能的问题
1-2 神经元工作的数学表示
整理神经元的工作
神经元工作的数学表示
点火条件的图形表示
1-3 激活函数：将神经元的工作一般化
简化神经元的图形
激活函数
Sigmoid 函数
偏置
1-4 什么是神经网络
神经网络
神经网络各层的职责
深度学习
考察具体的例子
解答示例中输入层的含义
解答示例中输出层的含义
解答示例中隐藏层的含义
1-5 用恶魔来讲解神经网络的结构
重要的隐藏层
思路：由神经单元之间的关系强度给出答案
恶魔的心的偏置
从关系中得到信息
1-6　将恶魔的工作翻译为神经网络的语言
恶魔之间的“交情”表示权重
模型的合理性
恶魔的人数
神经网络与生物的类比
1-7　网络自学习的神经网络
从数学角度看神经网络的学习
第 2 章　神经网络的数学基础
2-1 神经网络所需的函数
一次函数
二次函数
单位阶跃函数
指数函数与 Sigmoid 函数
正态分布的概率密度函数
2-2 有助于理解神经网络的数列和递推关系式
数列的含义
数列的通项公式
数列与递推关系式
联立递推关系式
2-3 神经网络中经常用到的∑符号
Σ符号的含义
● ∑符号的性质
2-4 有助于理解神经网络的向量基础
有向线段与向量
向量的坐标表示
向量的大小
向量的内积
柯西 - 施瓦茨不等式
内积的坐标表示
向量的一般化
2-5 有助于理解神经网络的矩阵基础
● 什么是矩阵
● 矩阵相等
● 矩阵的和、差、常数倍
● 矩阵的乘积
● Hadamard 乘积
● 转置矩阵
2-6 神经网络的导数基础
导数的定义
神经网络中用到的函数的导数公式
导数符号
导数的性质
分数函数的导数和 Sigmoid 函数的导数
最小值的条件
2-7 神经网络的偏导数基础
多变量函数
偏导数
多变量函数的最小值条件
2-8 误差反向传播法必需的链式法则
神经网络和复合函数
单变量函数的链式法则
多变量函数的链式法则
2-9 梯度下降法的基础：多变量函数的近似公式
单变量函数的近似公式
多变量函数的近似公式
近似公式的向量表示
2-10 梯度下降法的含义与公式
梯度下降法的思路
近似公式和内积的关系
向量内积的回顾
二变量函数的梯度下降法的基本式
梯度下降法及其用法
将梯度下降法推广到三个变量以上的情况
哈密顿算子
的含义以及梯度下降法的要点
2-11 用 Excel 体验梯度下降法
2-12 最优化问题和回归分析
什么是回归分析
通过具体例子来理解回归分析的逻辑
代价函数
模型参数的个数
第 3 章　神经网络的最优化
3-1 神经网络的参数和变量
参数和变量
神经网络中用到的参数和变量数量庞大
神经网络中用到的变量名和参数名
输入层相关的变量名
隐藏层、输出层相关的参数名与变量名
变量值的表示方法
本书中使用的神经单元符号和变量名
3-2 神经网络的变量的关系式
输入层的关系式
隐藏层的关系式
输出层的关系式
3-3 学习数据和正解
回归分析的学习数据和正解
神经网络的学习数据和正解
正解的表示
3-4 神经网络的代价函数
表示模型准确度的代价函数
回归分析的回顾
最优化的基础：代价函数的最小化
神经网络的代价函数
参数的个数和数据的规模
神经网络和回归分析的差异
用 Excel 将代价函数最小化
3-5 用 Excel 体验神经网络
用 Excel 求权重和偏置
测试
第 4 章　神经网络和误差反向传播法
4-1 梯度下降法的回顾
问题的回顾
代价函数十分复杂
在神经网络中应用梯度下降法
实际的计算十分困难
梯度计算：先求导再求和
4-2　神经单元误差
引入符号
用 表示平方误差关于权重、偏置的偏导数
与 的关系十分重要
4-3 神经网络和误差反向传播法
通过递推关系式越过导数计算
误差 的复习
计算输出层的
中间层 的“反向”递推关系式
中间层的 ：不求导也可以得到值
4-4 用 Excel 体验神经网络的误差反向传播法
用 Excel 确定神经网络
用新的数字来测试
第 5 章　深度学习和卷积神经网络
5-1 小恶魔来讲解卷积神经网络的结构
使网络具有结构
思路
小恶魔的人数
5-2 将小恶魔的工作翻译为卷积神
从数学角度来考察小恶魔的工作
通过池化进行信息压缩
5-3 卷积神经网络的变量关系式
确认各层的含义以及变量名、参数名
输入层
过滤器和卷积层
池化层
输出层
求代价函数
通过计算确认模型的有效性
5-4 用 Excel 体验卷积神经网络
用 Excel 确定卷积神经网络
测试
5-5 卷积神经网络和误差反向传播法
确认关系式
● 卷积层
● 池化层
● 输出层
● 平方误差
梯度下降法是基础
省略变量符号中附带的图像编号
符号 的导入及偏导数的关系
用 表示关于输出层神经单元的梯度分量
用 表示关于卷积层神经单元的梯度分量
计算输出层的
建立关于卷积层神经单元误差 的“反向”递推关系式
5-6 用 Excel 体验卷积神经网络的误差反向传播法
用新的数字来测试
附录
A　训练数据（1）
B　训练数据（2）
C　用数学式表示模式的相似度
版权声明
DEEP LEARNING GA WAKARU SUGAKU NYUMON
by ............

书籍插图：

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。