《深度学习》由全球zhiming的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：第1部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。

《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。

第 1 章 引言                                                                               1 

11 本书面向的读者                                                                   7 

12 深度学习的历史趋势                                                               8 

121 神经网络的众多名称和命运变迁                                                 8 

122 与日俱增的数据量                                                             12 

123 与日俱增的模型规模                                                          13 

124 与日俱增的精度、复杂度和对现实世界的冲击                                    15 

第 1 部分 应用数学与机器学习基础 

第 2 章 线性代数                                                                         19 

21 标量、向量、矩阵和张量                                                          19 

22 矩阵和向量相乘                                                                 21 

23 单位矩阵和逆矩阵                                                                22 

24 线性相关和生成子空间                                                           23 

25 范数                                                                             24 

26 特殊类型的矩阵和向量                                                           25 

27 特征分解                                                                          26 

28 奇异值分解                                                                       28 

29 Moore-Penrose 伪逆                                                               28 

210 迹运算                                                                           29 

211 行列式                                                                           30 

212 实例：主成分分析                                                              30 

第 3 章 概率与信息论                                                                   34 

31 为什么要使用概率                                                                34 

32 随机变量                                                                          35 

33 概率分布                                                                          36 

331 离散型变量和概率质量函数                                                    36 

332 连续型变量和概率密度函数                                                    36 

34 边缘概率                                                                          37 

35 条件概率                                                                          37 

36 条件概率的链式法则                                                              38 

37 独立性和条件独立性                                                              38 

38 期望、方差和协方差                                                              38 

39 常用概率分布                                                                     39 

391 Bernoulli 分布                                                                40 

392 Multinoulli 分布                                                              40 

393 高斯分布                                                                     40 

394 指数分布和 Laplace 分布                                                      41 

395 Dirac 分布和经验分布                                                         42 

396 分布的混合                                                                   42 

310 常用函数的有用性质                                                           43 

311 贝叶斯规则                                                                      45 

312 连续型变量的技术细节                                                          45 

313 信息论                                                                           47 

314 结构化概率模型                                                                 49 

第 4 章 数值计算                                                                         52 

41 上溢和下溢                                                                       52 

42 病态条件                                                                          53 

43 基于梯度的优化方法                                                              53 

431 梯度之上：Jacobian 和 Hessian 矩阵                                            56 

44 约束优化                                                                          60 

45 实例：线性ZUI小二乘                                                              61 

第 5 章 机器学习基础                                                                   63 

51 学习算法                                                                          63 

511 任务 T                                                                      63 

512 性能度量 P                                                                   66 

513 经验 E                                                                       66 

514 示例：线性回归                                                               68 

52 容量、过拟合和欠拟合                                                            70 

521 没有免费午餐定理                                                             73 

522 正则化                                                                       74 

53 超参数和验证集                                                                 76 

531 交叉验证                                                                     76 

54 估计、偏差和方差                                                               77 

541 点估计                                                                       77 

542 偏差                                                                         78 

543 方差和标准差 异步图书 深度学习 AI圣经 Deep Learning 数据科学家 机器学习 电子书 下载 mobi epub pdf txt