书籍目录
首页
分类
免费
排行
我的书架
1-50章
51-100章
101-136章
共136章
免费
版权信息
免费
作者简介
免费
译者序
免费
序
免费
前言
免费
致谢
免费
第1章 机器学习和深度学习概述
免费
1.1 初探机器学习和深度学习：计算范式的转变
免费
1.2 机器学习的函数逼近视角：模型及其训练
免费
1.3 一个简单的机器学习模型：猫脑模型
免费
1.4 机器学习的几何视角
免费
1.5 机器学习中的回归与分类
免费
1.6 线性模型与非线性模型
免费
1.7 通过多个非线性层提高表达能力：深度神经网络
免费
1.8 本章总结
免费
第2章 机器学习中的向量、矩阵和张量
免费
2.1 向量及其在机器学习中的作用
免费
2.2 用于向量操作的PyTorch代码
免费
2.3 矩阵及其在机器学习中的作用
免费
2.4 Python代码：如何用PyTorch表示矩阵、张量和图像
免费
2.5 机器学习中向量和矩阵的基本运算
免费
2.6 向量的正交性及其物理意义
免费
2.7 Python代码：通过PyTorch进行基本的向量和矩阵操作
免费
2.8 多维直线方程和平面方程以及机器学习
免费
2.9 线性组合、向量生成、基向量和共线性保持
免费
2.10 线性变换：几何和代数解释
免费
2.11 多维数组、多线性变换和张量
免费
2.12 线性系统和矩阵求逆
免费
2.13 特征值与特征向量：机器学习的最强武器
免费
2.14 正交（旋转）矩阵及其特征值和特征向量
免费
2.15 矩阵对角化
免费
2.16 对称矩阵的谱分解
免费
2.17 一个与机器学习相关的应用：寻找超椭圆的轴
免费
2.18 本章总结
免费
第3章 分类器和向量积分
免费
3.1 图像分类的几何视角
免费
3.2 误差或损失函数
免费
3.3 最小化损失函数：梯度向量
免费
3.4 损失函数的局部近似
3.5 梯度下降、误差最小化和模型训练的PyTorch代码实现
3.6 凸函数与非凸函数以及全局最小值与局部最小值
3.7 凸集和凸函数
3.8 本章总结
第4章 机器学习中的线性代数工具
4.1 特征数据点的分布和真实维度
4.2 二次型及其最小化
4.3 矩阵的谱范数和弗罗贝尼乌斯范数
4.4 主成分分析
4.5 奇异值分解
4.6 机器学习应用：文档检索
×