《深度学习的数学》涌井良幸 & 涌井贞美【文字版_PDF电子书_推荐】
| 书名：深度学习的数学 作者：[日]涌井良幸/[日]涌井贞美 出版社：人民邮电出版社 译者：杨瑞龙 出版日期：2019-4 页数：236 ISBN：9787115509345 |
8.5 豆瓣短评 |
全网资源sm.nayona.cn |
内容简介：
《深度学习的数学》基于丰富的图示和具体示例，通俗易懂地介绍了深度学习相关的数学知识。第1章介绍神经网络的概况;第2章介绍理解神经网络所需的数学基础知识;第3章介绍神经网络的*化;第4章介绍神经网络和误差反向传播法;第5章介绍深度学习和卷积神经网络。书中使用Excel进行理论验证，帮助读者直观地体验深度学习的原理。
作者简介：
涌井良幸(作者)
1950年生于东京，毕业于东京教育大学(现筑波大学)数学系，现为自由职业者。着有《用Excel学深度学习》(合着)、《统计学有什么用?》等。
涌井贞美(作者)
1952年生于东京，完成东京大学理学系研究科硕士课程，现为自由职业者。着有《用Excel学深度学习》(合着)、《图解贝叶斯统计入门》等。
杨瑞龙(译者)
1982年生，2008年北京大学数学科学学院硕士毕业，软件开发者，从事软件行业10年。2013年～2016年赴日工作3年，从2016年开始在哆嗒数学网公众号发表《数学上下三万年》等多篇翻译作品。
目 录：
第1 章 神经网络的思想
1 – 1 神经网络和深度学习 2
1 – 2 神经元工作的数学表示 6
1 – 3 激活函数：将神经元的工作一般化 12
1 – 4 什么是神经网络 18
1 – 5 用恶魔来讲解神经网络的结构 23
1 – 6 将恶魔的工作翻译为神经网络的语言 31
1 – 7 网络自学习的神经网络 36
第2 章 神经网络的数学基础
2 – 1 神经网络所需的函数 40
2 – 2 有助于理解神经网络的数列和递推关系式 46
2 – 3 神经网络中经常用到的Σ符号 51
2 – 4 有助于理解神经网络的向量基础 53
2 – 5 有助于理解神经网络的矩阵基础 61
2 – 6 神经网络的导数基础 65
2 – 7 神经网络的偏导数基础 72
2 – 8 误差反向传播法必需的链式法则 76
2 – 9 梯度下降法的基础：多变量函数的近似公式 80
2 – 10 梯度下降法的含义与公式 83
2 – 11 用Excel 体验梯度下降法 91
2 – 12 最优化问题和回归分析 94
第3 章 神经网络的最优化
3 – 1 神经网络的参数和变量 102
3 – 2 神经网络的变量的关系式 111
3 – 3 学习数据和正解 114
3 – 4 神经网络的代价函数 119
3 – 5 用Excel体验神经网络 127
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 134
4 – 2 神经单元误差 141
4 – 3 神经网络和误差反向传播法 146
4 – 4 用Excel体验神经网络的误差反向传播法 153
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 168
5 – 2 将小恶魔的工作翻译为卷积神经网络的语言 174
5 – 3 卷积神经网络的变量关系式 180
5 – 4 用Excel体验卷积神经网络 193
5 – 5 卷积神经网络和误差反向传播法 200
5 – 6 用Excel体验卷积神经网络的误差反向传播法 212
附录
A 训练数据(1) 222
B 训练数据(2) 223
C 用数学式表示模式的相似度 225
浏览器不支持脚本！
有需要联系v；hx-hx4
摘要：《深度学习的数学》是一本科技农工领域的文字版PDF电子书，作者是涌井良幸和涌井贞美。本文将从四个方面对该书进行详细阐述。
1、书籍内容概述
《深度学习的数学》是一本介绍深度学习数学原理和应用的书籍。它从数学的角度解释了深度学习中的核心概念和算法，包括神经网络、梯度下降、反向传播等。通过对各种数学方法的讲解，读者可以深入了解深度学习的数学原理，从而更好地应用于实际问题。
该书的特点之一是对数学概念的详细解释和实例分析。作者通过生动的例子和图表来解释复杂的数学概念，使读者能够更好地理解和应用这些概念。此外，书中还包含了大量的习题和实践项目，帮助读者巩固所学知识。
总的来说，该书系统地介绍了深度学习的数学基础，是一本很好的学习和参考资料。
2、深度学习数学原理
深度学习的数学原理是该书的核心内容。它涵盖了神经网络、梯度下降、反向传播等深度学习中常用的数学方法。通过对这些方法的详细解释，读者可以深入了解深度学习的原理和算法。
首先，书中介绍了神经网络的结构和工作原理。它从基本的感知器模型开始，逐步介绍了多层神经网络和全连接神经网络的概念。然后，通过对激活函数、损失函数和优化算法的介绍，读者可以了解到如何构建和训练一个神经网络。
接下来，书中详细介绍了梯度下降和反向传播算法。它从最基本的梯度下降法开始，逐步引入了随机梯度下降和动量梯度下降等改进算法。然后，通过对反向传播算法的介绍，读者可以了解到如何通过链式法则来计算神经网络中的梯度。
通过学习这些数学原理，读者可以更好地理解深度学习的工作原理，为解决实际问题提供理论基础。
3、应用案例分析
除了数学原理的介绍，该书还包含了一些深度学习的应用案例分析。这些案例覆盖了图像识别、自然语言处理、推荐系统等不同领域。
通过详细解读这些案例，读者可以了解到如何将深度学习应用于实际问题中，并了解到一些实际应用中的技巧和注意事项。此外，书中还包含了相应的代码和数据集，读者可以通过实践项目来巩固所学知识。
4、对比其他类似书籍
最后，该书还对比了其他类似的深度学习数学书籍。它从内容的深度和广度、讲解的清晰度和实例的丰富度等方面进行了对比分析，帮助读者选择适合自己的学习资料。
通过对比分析，读者可以了解到该书的独特之处和优势，为自己的学习提供指导。
总结：
《深度学习的数学》是一本介绍深度学习数学原理和应用的书籍，详细阐述了神经网络、梯度下降、反向传播等深度学习中的数学概念和算法。通过对深度学习的数学原理和应用案例的介绍，读者可以更好地理解和应用深度学习。该书还对比了其他类似的书籍，帮助读者选择适合自己的学习资料。
本文由nayona.cn整理
