Deep Learning
Summary Notes
- 第1章：引言
- 第2章：线性代数
- 第3章：概率与信息论
- 第4章：数值计算
- 第5章：机器学习基础
- 第6章：深度前馈网络
- 第7章：深度学习中的正则化
- 第8章：深度模型训练的优化方法
- 第9章：卷积神经网络
- 第10章：序列建模：循环与递归网络
- 第11章：实践方法论
- 第12章：深度学习应用
- 第13章：线性因子模型
- 第14章：自编码器
- 第15章：表示学习
- 第16章：深度学习的结构化概率模型
- 第17章：蒙特卡洛方法
- 第18章：直面配分函数（Confronting the Partition Function）
- 第19章：近似推断（Approximate Inference）
- 第20章：深度生成模型
Chapter Notes
- 第 1 章：引言（Introduction）
- 第 2 章：线性代数（Linear Algebra）
- 第 3 章：概率与信息论（Probability and Information Theory）
- 第 4 章：数值计算（Numerical Computation）
- 第 5 章：机器学习基础（Machine Learning Basics）
- 第 6 章：深度前馈网络（Deep Feedforward Networks）
- 第 7 章：深度学习的正则化（Regularization for Deep Learning）
- 第 8 章：深度模型训练的优化（Optimization for Training Deep Models）
- 第 9 章：卷积网络（Convolutional Networks）
- 第 10 章：序列建模：循环和递归网络（Sequence Modeling: Recurrent and Recursive Nets）
- 第 11 章：实践方法论（Practical Methodology）
- 第 12 章：应用（Applications）
- 第 13 章：线性因子模型（Linear Factor Models）
- 第 14 章：自编码器（Autoencoders）
- 第 15 章：表示学习（Representation Learning）
- 第 16 章：结构化概率模型（Structured Probabilistic Models for Deep Learning）
- 第 17 章：蒙特卡罗方法（Monte Carlo Methods）
- 第 18 章：直面配分函数（Confronting the Partition Function）
- 第 19 章：近似推断（Approximate Inference）
- 第 20 章：深度生成模型（Deep Generative Models）