深度学习是一门注重应用的学科。了解深度学习背后的数学原理的人，可以在应用深度学习解决实际问题时游刃有余。本书通过Python代码示例来讲解深度学习背后的关键数学知识，包括概率论、统计学、线性代数、微分等，并进一步解释神经网络、反向传播、梯度下降等深度学习领域关键知识背后的原理。
本书适合有一定深度学习基础、了解Pyho如编程语言的读者阅读，也可作为拓展深度学习理论的参考书。
作者简介:
罗纳德·T.纽塞尔（Ronald T. Kneusel），拥有超过 20年的机器学习行业经验，著有多本AI领域图书。 本书适合有一定深度学习基础、了解Python编程语言的读者阅读，也可作为用于拓展深度学习理论的参考书。
目录:
第1章 搭建舞台 1
1.1 组件安装 2
1.2 NumPy 4
1.3 SciPy 8
1.4 matplotlib 9
1.5 scikit-learn 11
1.6 小结 12
第2章 概率论 13
2.1 基础概念 13
2.2 概率法则 16
2.3 联合概率和边缘概率 25
2.4 小结 30
第3章 概率论进阶 31
3.1 概率分布 31
3.2 贝叶斯定理 45
3.3 小结 50
第4章 统计学 51
4.1 数据类型 51
4.2 描述性统计量 54
4.3 分位数和箱形图 60
4.4 缺失数据 64
4.5 相关性 66
4.6 假设检验 71
4.7 小结 79
第5章 线性代数 80
5.1 标量、向量、矩阵和张量 80
5.2 用张量进行代数运算 84
5.3 小结 98
第6章 线性代数进阶 99
6.1 方阵 99
6.2 特征向量和特征值 110
6.3 向量范数和距离度量 113
6.4 主成分分析 120
6.5 奇异值分解和伪逆 122
6.6 小结 126
第7章 微分 127
7.1 斜率 127
7.2 导数 129
7.3 函数的极小值和极大值 137
7.4 偏导数 140
7.5 梯度 143
7.6 小结 148
第8章 矩阵微分 149
8.1 一些公式 149
8.2 一些性质 154
8.3 雅可比矩阵和黑塞矩阵 158
8.4 矩阵微分的一些实例 168
8.5 小结 171
第9章 神经网络中的数据流 172
9.1 数据的表示 172
9.2 传统神经网络中的数据流 175
9.3 卷积神经网络中的数据流 178
9.4 小结 189
第10章 反向传播 190
10.1 什么是反向传播 190
10.2 手把手进行反向传播 191
10.3 全连接网络的反向传播 199
10.4 计算图 208
10.5 小结 210
第11章 梯度下降 211
11.1 基本原理 211
11.2 随机梯度下降 219
11.3 动量机制 221
11.4 自适应梯度下降 231
11.5 小结 235
附录 学无止境 236
概率与统计 236
线性代数 237
微积分 237
深度学习 237
点击下载