今天给大家推荐两套份不错的学习笔记,挺详细的。深度学习花书+机器学习西瓜书PDF文档。
《深度学习》,又名“花书”。该书由三位大佬 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 撰写,是深度学习领域奠基性的经典教材,被誉为深度学习“圣经”。
西瓜书《机器学习》无疑是机器学习的必读书籍。本书作为该领域的入门教材,在内容上尽可能涵盖机器学习基础知识的各方面。
对于这两套资料,我是非常推荐的,本次免费分享给大家。
文末附免费下载方式
深度学习花书内容展示
第一部分:应用数学与机器学习基础
线性代数
概率与信息论
数值计算
机器学习基础
第二部分:深度网络:现代实践
深度前馈网络
深度学习中的正则化
深度模型中的优化
卷积网络
序列建模:循环和递归网络
实践方法论
应用
第三部分:深度学习研究
包括(线性因子模型、自编码器、表示学习、深度学习中的结构化概率模型、蒙特卡罗方法、直面配分函数、近似推断、深度生存模型...)
英文原版
在AI领域内,关于深度学习的课程资料有很多很多,而《深度学习Deep Learning》是业界公认深度学习领域奠基性的经典教材,本次为免费分享。
机器学习西瓜书内容展示
第一章:绪论
- 引言
- 基本术语
- 假设空间
- 归纳偏好
- 发展历程
- 应用现状
- 阅读材料
第二章:模型评估与选择
- 经验误差与过拟合
- 评估方法
- 性能度量
- 比较检验
- 偏差与方差
- 阅读材料
第三章:线性模型
- 基本形式
- 线性回归
- 对数几率回归
- 线性判别分析
- 多分类学习
- 类别不平衡问题
- 阅读材料
第四章:决策树
- 基本流程
- 划分选择
- 剪枝处理
- 连续与缺失值
- 多变量决策树
- 阅读材料
第五章:神经网络
- 神经元模型
- 感知机与多层网络
- 误差逆传播算法
- 全局最小与局部极小
- 其他常见神经网络
- 深度学习
- 阅读材料
第六章:支持向量机
- 间隔与支持向量
- 对偶关系
- 核函数
- 软间隔与正则化
- 支持向量回归
- 核方法
- 阅读材料
第七章:贝叶斯分类
第八章:集成学习
第九章:聚类
.......
内容过多本文就不一一展示了。
书中详细介绍了机器学习领域不同类型的算法(例如:监督学习、无监督学习、半监督学习、强化学习、集成降维、特征选择等),记录了本人在学习过程中的理解思路与扩展知识点,希望对新人阅读西瓜书有所帮助!