1 引言
1.1 本书面向的作者
1.2 深度学习的历史趋势
1.2.1 神经网络的众多名称和命运变迁
1.2.2 与日俱增的数据量
1.2.3 与日俱增的模型规模
1.2.4 与日俱增的精度,复杂度和对现实世界的冲击
一 应用数学与机器学习基础
2 线性代数
2.1 标量,向量,矩阵和张量
2.2 矩阵和向量相乘
2.3 单位矩阵和逆矩阵
2.4 线性相关和生成子空间
2.5 范数
2.6 特殊类型和矩阵向量
2.7 特征分解
2.8 奇异值分解
2.9 Moore-Penrose伪逆
2.10 迹运算
2.11 行列式
2.12 实例:主成分分析
3 概率论与信息论
3.1 为什么使用概率?
3.2 随机变量
3.3 概率分布
3.3.1 离散型变量和概率质量函数
3.3.2 连续性变量和概率密度函数
3.4 边缘概率
3.5 条件概率
3.6 条件概率的链式分布
3.7 独立性和条件独立性
3.8 期望,方差和协方差
3.9 常用概率分布
3.9.1 Bernoulli分布
3.9.2 Multinoulli分布
3.9.3 高斯分布
3.9.4 指数分布和Lacplace分布
3.9.5 Dirac分布和经验分布
3.9.6 分布的混合
3.10 常用函数的有用性质
3.11 贝叶斯规则
3.12 连续型变量的技术细节
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 病态条件
4.3 基于梯度的优化方法
4.3.1 梯度之上:jacobian和hessian矩阵
4.4 约束优化
4.5 实例:线性最小二乘
5 机器学习基础
5.1 学习算法
5.1.1 任务T
5.1.2 性能度量P
5.1.3 经验E
5.1.4 示例:线性回归
5.2 容量,过拟合和欠拟合
5.2.1 没有免费午餐定理
5.2.2 正则化
5.3 超参数和验证集
5.3.1 交叉验证
5.4 估计,偏差和方差
5.4.1 点估计
5.4.2 偏差
5.4.3 方差和标准差
5.4.4 权衡偏差和方差以最小化均方误差
5.4.5 一致性
5.5 最大似然估计
5.5.1 条件对数似然和均方误差
5.5.2 最大似然的性质
5.6 贝叶斯统计
5.6.1 最大后验(MAP)估计
5.7 监督学习算法
5.7