【Deep Learning】目录（初校）

Ian Goodfellow、Yoshua Bengio、Aaron Courville

网站

致谢

标记

1 简介

1.1 获益哪些？

1.2 深度学习发展长河

I 应用数学及机器学习基础

2 线性代数

2.1  标量、矢量、矩阵和张量

2.2   矩阵与矢量相乘
2.3   矩阵变形和逆

2.4   线性相关和生成

2.5   规范

2.6   特殊矩阵和矢量

2.7   特征分解

2.8  奇异值分解

2.9    广义逆矩阵

2.10  迹算子

2.11  行列式

2.12  举例：主成分析

3  概率和信息理论

3.1   何为概率？

3.2    随机变量

3.3   概率分布

3.4    边缘概率

3.5    条件概率

3.6     条件概率的链式法则

3.7   独立和条件独立

3.8     期望、方差和协方差

3.9   一般概率分布

3.10  常用函数的有用性质

3.11  拜耶斯法则

3.12  连续变量技巧

3.13  信息理论

3.14  结构概率模型

4   数值计算

4.1   上溢和下溢

4.2    较差条件

4.3    基于梯度优化

4.4   约束优化

4.5  例子：最小二乘方

5      机器学习基础

5.1  学习算法

5.2   性能、过拟合和欠拟合

5.3   超参数和验证集

5.4   估计、偏差和方差

5.5   最大似然估计

5.6   拜叶斯统计

5.7 监督学习算法

5.8   未监督学习算法

5.9    随机梯度下降

5.10 实现一个机器学习算法

5.11 挑战可激励的深度学习

II 深度网络：现代实践

6  深度前馈网络

6.1   例子：学习XOR

6.2  基于梯度学习

6.3   隐藏部件

6.4   结构设计

6.5   回朔传播和其他区分算法

6.6   历史版本

7 深度学习规则化