深度学习的数学原理与实现

　　深度学习已经进入我们的生活，云计算和大数据为深度学习提供了便利。本书主要讲解深度学习中的数学知识、算法原理和实现方法，配套源码、数据集和开发环境。 本书共12章。第1章介绍人类视觉和深度学习的联系。第2章介绍深度学习中最为重要的梯度下降算法。第3章介绍卷积函数。第4章介绍计算损失函数所使用的交叉熵、决策树和信息熵。第5章介绍线性回归和逻辑回归。第6、7章介绍时间序列模型和生成对抗网络。第8章介绍TensorFlow框架。第9章介绍推荐算法。第10章介绍深度学习中的标准化、正则化和初始化。第11章是案例人脸识别。第12章是词嵌入向量案例，介绍自然语言处理方面的应用。 本书理论和实践相结合，理论讲解细致直观，通过实例进行演示，可以使读者快速掌握本书内容。本书适合深度学习初学者、深度学习算法开发人员阅读，也适合高等院校和培训机构人工智能相关专业的师生参考。

　　王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项国家专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow 2.0卷积神经网络实战》《TensorFlow+Keras自然语言处理实战》等图书。

暂缺《深度学习的数学原理与实现》目录