x~H(N,M,n)的期望和方差（370多页免费书籍，三位学者带你专攻深度学习中的数学知识）

编者：陈萍

深度学习领域对于初学者来说，编程已是一大挑战，更让人难以接受的是其中涉及的数学知识的深奥。为了解决这个问题，今天向大家推荐一本新书《深度学习数学工程》。

这本书尚未完成，但前两章的内容已经公开，供读者查阅。本书旨在介绍深度学习中的数学工程知识，内容包括基础知识、卷积网络、循环网络、transformer、生成对抗网络、强化学习及其多种技巧。本书的重点在于介绍深度学习模型、算法和方法的基本数学原理，并且作者还慷慨地开源了书中使用的代码。

书籍链接：/

代码链接：/yoninazarathy/MathematicalEngineeringDeepLearning

书籍概述：

全书共10章，附带3个附录。第1-4章介绍深度学习领域的基础知识，包括机器学习的关键概念、深度学习所需的优化理念，以及基本模型和概念。第5-8章深入介绍深度学习的核心模型和架构，包括全连接网络、卷积网络、循环网络等，并详细探讨模型调整和应用方面。第9-10章则涉及特定领域，如生成对抗网络和深度强化学习。附录A-C提供数学支持。

具体章节内容如下：

第1章：深度学习的概述。展示其关键应用，并探讨与高性能计算相关的生态系统。同时介绍大数据和高维数据，以及数据科学、机器学习和统计学习等关键术语。

第2章：机器学习原理。介绍深度学习与机器学习的关联，涵盖关键的机器学习概念和范式，如监督学习、无监督学习和基于迭代的学习优化。同时探讨训练集、测试集等概念，以及交叉验证和模型选择原理。

第3章：简单网络。关注二元分类的逻辑回归和多类问题的softmax回归模型。介绍深度学习的原理，如交叉熵损失、决策边界和反向传播的实例。同时探讨模型调整的各个方面，包括特征工程和超参数选择。

第4章：优化算法。深度学习模型训练涉及参数优化，因此需要扎实理解优化算法以及适用于深度学习模型的专门优化技术。本章将重点介绍这些技术，包括适用于实践的更高级的二阶方法。

第5章至第8章将依次探索前馈深度网络、卷积网络、序列模型和贸易技巧等核心内容。

第9章：生成对抗网络。调查和探索能够合成真实感数据的生成对抗网络，并讨论几种GAN架构以及损失函数调整中的数学方面。

第10章：深度强化学习。探讨深度强化学习的原理和应用。

作者简介：

本书由Benoit Liquet、Sarat Moka和Yoni Nazarathy共同撰写。Benoit Liquet是麦考瑞大学数理学院的教授，研究领域包括模型选择、概率论在数据科学中的应用等。Sarat Moka是麦考瑞大学的博士后，其研究方向包括概率论在数据科学、统计学和蒙特卡洛模拟中的应用。Yoni Nazarathy是昆士兰大学数学与物理学院的副教授，擅长机器学习等领域，并与Julia合著了新书《Statistics with Julia》。

最后附籍目录以供参考。