Deep Learning 译文 - 目录

2024-08-23 14:08
文章标签 目录 deep learning 译文

本文主要是介绍Deep Learning 译文 - 目录,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Deep Learning
Ian Goodfellow
Yoshua Bengio 
Aaron Courville
[源著者]

目录
网站
感谢
符号声明

1 介绍
1.1 谁应该使用本书
1.2 深度学习发展历程

I  实用的数学和机器学习基本知识

2  线性代数
2.1   标量,向量,矩阵和张量
2.2   矩阵和向量乘法
2.3   单位矩阵和逆矩阵
2.4   线性依赖和跨度?
2.5   矩阵规范化
2.6   矩阵和向量的特殊形式
2.7   特征值分解
2.8   奇异值分解
2.9   穆尔彭罗斯伪逆
2.10 迹算子
2.11 行列式
2.12 例子:主成分分析

3 概率与信息论
3.1为什么使用概率?
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条件概率的链式规则
3.7完全独立和条件独立
3.8期望,方差和协方差
3.9常见的概率分布
3.10 常见函数的有用属性
3.11 贝叶斯规则
3.12 连续函数的技术细节
3.13 信息论
3.14 结构化概率模型?

4 数值计算
4.1 上溢和下溢
4.2 Poor Conditioning
4.3 基于梯度的优化
4.4 最优化约束
4.5 例子:线性最小二乘法

5 机器学习基本原理
5.1 学习算法
5.2 Capacity,过拟合和欠拟合
5.3 超参数和验证集
5.4 估计量,偏移值和方差
5.5 最大似然估计
5.6 贝叶斯统计
5.7 监督学习算法
5.8 无监督学习算法
5.9 随机梯度下降
5.10 构建机器学习算法
5.11 挑战深度学习?

II 深度网络:现代实践

6 深度前向网络
6.1 例子:学习异或
6.2 基于梯度的学习
6.3 隐藏层单元
6.4 架构设计
6.5 BP算法和其他不同算法
6.6 历史记录?

7 深度学习规则化
7.1 参数归一化惩罚
7.2 归一化惩罚作为条件最优化
7.3 正则化和欠约束问题
7.4 数据集增大
7.5 噪声鲁棒
7.6 半监督学习
7.7 多任务学习
7.8 早期中止
7.9 参数连接和参数共享
7.10 稀疏表达
7.11 Bagging and Other Ensemble Methods?
7.12 Dropout
7.13 对抗训练
7.14 切线距离,Tangent Prop和流行切分类器?

8 优化深度模型训练
8.1 与纯粹优化相比,学习如何不同
8.2 神经网络优化有哪些挑战
8.3 基本算法
8.4 参数初始化策略
8.5 自适应学习速率的算法
8.6 Approximate Second-Order Methods?
8.7 优化策略和Meta算法

9 卷积神经网络
9.1 卷积操作
9.2 激活
9.3 池化
9.4 卷积和池化作为最强先验信息
9.5 基本卷积函数的种类
9.6 结构化输出
9.7 数据类型
9.8 高效的卷积算法
9.9 随机的或无监督的特征
9.10 神经系统科学的有关知识
9.11 卷积神经网络和深度学习的历史渊源

10 序列化建模:循环和递归网络
10.1 展开计算图?
10.2 循环神经网络
10.3 双向RNN
10.4 编码-解码 序列-序列结构
10.5 深度循环网络
10.6 递归神经网络
10.7 长期依赖的挑战
10.8 回声状态网络
10.9 漏洞单元和多时间尺度的其他策略
10.10 LSTM和其他门限RNN
1011 长期依赖的优化方法
10.12 外显记忆

11 实用方法
11.1 性能度量
11.2 缺省的基本模型
11.3 决定是否收集更多数据
11.4 超参数的选择
11.5 调试策略
11.6 例子:多数字的识别

12 应用
12.1 大尺度深度学习
12.2 计算机视觉
12.3 语音识别
12.4 自然语音处理
12.5 其他应用

III 深度学习研究
 
13 线性因子模型
13.1 概率主成分分析和因子分析
13.2 独立成分分析
13.3 慢特征分析
13.4 稀疏编码
13.5 主成分分析的流形解释

14 自动编码器
14.1 undercomplete 编码器
14.2 规则化自动编码器
14.3 代表性的能量,层大小和深度
14.4 随机的编码和解码器
14.5 降噪自动编码器
14.6 自动编码器的学习形式
14.7 收缩自动编码器
14.8 预测的稀疏分解
14.9 自动编码器的应用

15 学习表达
15.1 贪婪的逐层无监督预训练
15.2 传输学习和区域自适应
15.3 半监督的因果因子的解耦
15.4 分布式表征
15.5 从深度获得指数级收益
15.6 提供线索发现潜在的原因

16 结构化的概率模型
16.1 非结构化模型的挑战
16.2 使用图来描述模型结构
16.3 从图模型中抽样
16.4 结构化模型的优势
16.5 关于依赖属性的学习
16.6 推理和模糊推理
16.7 结构化概率模型的深度学习方法

17 蒙特卡罗法
17.1 抽样和蒙特卡罗方法
17.2 重要性抽样
17.3 马尔科夫链蒙特卡罗方法
17.4 Gibbs抽样
17.5 分离模式融合挑战

18 配分函数
18.1 对数似然梯度
18.2 随机最大似然函数和对比散度
18.3 伪似然
18.4 得分匹配和比值匹配
18.5 去噪评分匹配
18.6 噪声对比评估
18.7 配分函数评估

19 相似推理
19.1 最优化推理
19.2 期望值最大化
19.3 MAP推理和稀疏编码
19.4 多样性的推理和学习
19.5 可学习的相似推理

20 常见的深度模型
20.1 玻尔兹曼机
20.2 受限玻尔兹曼机
20.3 深度置信网络
20.4 深度玻尔兹曼机
20.5 针对实数数据的玻尔兹曼机
20.6 可卷积的玻尔兹曼机
20.7 针对结构化或序列化输出的玻尔兹曼机
20.8 其他玻尔兹曼机
20.9 通过随机操作进行反向传播
20.10 定向生成网络
20.11 从自动编码器可视化样本
20.12 生成随机网络
20.13 其他生成机制
20.14 评价生成模型
20.15 结论

书目
索引



这篇关于Deep Learning 译文 - 目录的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1099598

相关文章

android应用中res目录说明

Android应用的res目录是一个特殊的项目,该项目里存放了Android应用所用的全部资源,包括图片、字符串、颜色、尺寸、样式等,类似于web开发中的public目录,js、css、image、style。。。。 Android按照约定,将不同的资源放在不同的文件夹中,这样可以方便的让AAPT(即Android Asset Packaging Tool , 在SDK的build-tools目

CentOS下mysql数据库data目录迁移

https://my.oschina.net/u/873762/blog/180388        公司新上线一个资讯网站,独立主机,raid5,lamp架构。由于资讯网是面向小行业,初步估计一两年内访问量压力不大,故,在做服务器系统搭建的时候,只是简单分出一个独立的data区作为数据库和网站程序的专区,其他按照linux的默认分区。apache,mysql,php均使用yum安装(也尝试

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

简单的Q-learning|小明的一维世界(3)

简单的Q-learning|小明的一维世界(1) 简单的Q-learning|小明的一维世界(2) 一维的加速度世界 这个世界,小明只能控制自己的加速度,并且只能对加速度进行如下三种操作:增加1、减少1、或者不变。所以行动空间为: { u 1 = − 1 , u 2 = 0 , u 3 = 1 } \{u_1=-1, u_2=0, u_3=1\} {u1​=−1,u2​=0,u3​=1}

简单的Q-learning|小明的一维世界(2)

上篇介绍了小明的一维世界模型 、Q-learning的状态空间、行动空间、奖励函数、Q-table、Q table更新公式、以及从Q值导出策略的公式等。最后给出最简单的一维位置世界的Q-learning例子,从给出其状态空间、行动空间、以及稠密与稀疏两种奖励函数的设置方式。下面将继续深入,GO! 一维的速度世界 这个世界,小明只能控制自己的速度,并且只能对速度进行如下三种操作:增加1、减

Java Web应用程序的推荐目录结构

以前没有用过maven管理过项目的依赖,最后使用上了maven,发现通过不能方式建立出来的web应用程序目录结构基本都不一样,既然每次都要到网上搜索如何建立maven管理的Web应用程序,不如自己找百度谷歌一下。 找了半天 ,感觉比较好的maven管理的web应用程序目录结构是这个: ├── pom.xml└── src├── main│ ├── java│ │ └── myg

src/pyaudio/device_api.c:9:10: fatal error: portaudio.h: 没有那个文件或目录

(venv) shgbitai@shgbitai-C9X299-PGF:~/pythonworkspace/ai-accompany$ pip install pyaudio sounddeviceCollecting pyaudioDownloading PyAudio-0.2.14.tar.gz (47 kB)━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

为libpng不同架构创建构建目录、编译、安装以及合并库文件的所有步骤。

好的。既然你已经有了 libpng 的源代码,并且当前处在它的目录下,我们可以简化脚本,不再需要下载和解压源代码这一步。以下是修改后的脚本:```sh#!/bin/bash# 当前目录即 libpng 源代码目录LIBPNG_SRC_DIR=$(pwd)# 设置工作目录WORK_DIR=$(pwd)/libpng_buildBUILD_DIR_X86_64="$WORK_DIR/build

Spring Boot + Vue 多级目录的构建详解

1. 背景介绍 1.1 为何选择 Spring Boot + Vue? 在现代 Web 开发中,前后端分离已成为一种标准实践。Spring Boot 提供了强大的后端开发能力,尤其在构建企业级应用时,其轻量级、高效性和丰富的生态系统让开发者如虎添翼。而 Vue.js 则以其简单易学的语法和灵活的组件系统,成为前端开发的热门选择。结合这两个技术栈,我们可以轻松实现复杂的业务逻辑与优秀的用户体验。

Java传输本地目录到远程服务器

在使用Java进行开发时,有时需要将本地目录中的文件复制或传输到远程服务器上。这种场景在部署应用程序或进行数据迁移时尤为常见。JSch库提供了一种简便的方法来实现这一功能。以下是从Codekru网站获取的信息摘要,并结合相关内容,展示如何使用JSch库实现从本地计算机复制整个目录到远程服务器的过程。 准备工作 首先,确保您的项目中已经包含了JSch库的依赖。如果您使用Maven作为构建工具,可