本书详细介绍了深度学习的基本概念与线性代数基础。内容涵盖表示学习、线性代数中的向量、矩阵及其应用，如特征分解、奇异值分解，以及概率论与信息论的基础知识。此外，还讨论了数值计算中的问题，如上溢、下溢，以及机器学习中的泛化误差、欠拟合和过拟合等关键概念。
第一章 前言
1、表示学习：使用机器学习来发掘表示本身，而不仅仅是把表示映射到输出。
学习到的表示往往比手动涉及的表示表现更好
表示学习算法的典型例子是自编码器，自编码器由一个编码器 (encoder) 函数和一个解码器 (decoder) 函数组合而成。
2、当设计特征或设计用于学习特征的算法时，我们的目标通常是分离出能解释观察数据的变差因素
3、深度学习 (deep learning) 通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题。
第二章 线性代数
1、确定 Ax = b 是否有解 相当于 确定向量 b 是否在 A 列向量的生成子空间中。这个特殊的生成子空间被称为 A 的列空间 (column space) 或者 A 的值域 (range)。
2、范数：衡量向量的大小
p=1：即统计非零元素的个数
p=2：欧几里得范数 ：表示从原点到向量x的欧式距离。
（类似于向量的L2范数）
3、特征分解：非方针矩阵没有特征分解
特征分解：假设矩阵 A 有 n 个线性无关的
最低0.47元/天 解锁文章
41万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
