DeepLearning
v1.1.1
《深度学习》是深度学习领域唯一的综合性图书，全称也叫做深度学习 AI圣经(Deep Learning)，由三位全球知名专家IanGoodfellow、YoshuaBengio、AaronCourville编著，全书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，深度学习全书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型，适用于相关专业的大学生或研究生使用。
可以下载《深度学习》的中文版 pdf 和英文版 pdf 直接阅读。
对于本项目的工作，你可以直接下载 深度学习_原理与代码实现.pdf (后面会对该书不断更新)
《深度学习》可以说是深度学习与人工智能的入门宝典，许多算法爱好者、机器学习培训班、互联网企业的面试，很多都参考这本书。但本书晦涩，加上官方没有提供代码实现，因此某些地方较难理解。本项目基于数学推导和产生原理重新描述了书中的概念，并用Python (numpy 库为主) 复现了书本内容 ( 源码级代码实现。推导过程和代码实现均放在了下载区的 pdf 文件中，重要部分的实现代码也放入 code 文件夹中 )。
然而我水平有限，但我真诚地希望这项工作可以帮助到更多人学习深度学习算法。我需要大家的建议和帮助。如果你在阅读中遇到有误或解释不清的地方，希望可以汇总你的建议，在 Issues 提出。如果你也想加入这项工作书写中或有其他问题，可以联系我的邮箱。如果你在你的工作或博客中用到了本书，还请可以注明引用链接。
写的过程中参考了较多网上优秀的工作，所有参考资源保存在了reference.txt文件中。
这份工作就是在写这一本 深度学习_原理与代码实现.pdf。正如你在 pdf 文件中所见到的，《深度学习》涉及到的每一个概念，都会去给它详细的描述、原理层面的推导，以及用代码的实现。代码实现不会调用 Tensorflow、PyTorch、MXNet 等任何深度学习框架，甚至包括 sklearn (pdf 里用到 sklearn 的部分都是用来验证代码无误)，一切代码都是从原理层面实现 (Python 的基础库 NumPy)，并有详细注释，与代码区上方的原理描述区一致，你可以结合原理和代码一起理解。
这份工作的起因是我自身的热爱，但为完成这份工作我需要投入大量的时间精力，一般会写到凌晨两三点。推导、代码、作图都是慢慢打磨的，我会保证这份工作的质量。这份工作会一直更新完，已经上传的章节也会继续补充内容。如果你在阅读过程中遇到有想要描述的概念点或者错误点，请发邮件告知我。
真的很感谢你的认可与推广。最后，请等待下一次更新。
我是 朱明超，我的邮箱是：[email protected]
2020/3/：
1. 修改第五章决策树部分，补充 ID3 和 CART 的原理，代码实现以 CART 为主。
2. 第七章添加 L1 和 L2 正则化最优解的推导 (即 L1稀疏解的原理)。
3. 第七章添加集成学习方法的推导与代码实现，包括 Bagging (随机森林)、Boosting (Adaboost、GBDT、XGBoost)。
4. 第八章添加牛顿法与拟牛顿法 (DFP、BFGS、L-BFGS) 的推导。
5. 第十一章节添加贝叶斯线性回归、高斯过程回归 (GPR) 与贝叶斯优化的推导与代码实现。后面每次的更新内容会统一放在 update.txt 文件中。
除了《深度学习》书中的概念点，本项目也在各章节添加一些补充知识，例如第七章集成学习部分的 随机森林、Adaboost、GBDT、XGBoost 的原理剖析和代码实现等，又或者第十二章对当前一些主流方法的描述。大的章节目录和 pdf 文件下载链接可以详见下表，而具体 pdf 文件中的实际目录请参考 contents.txt。你可以在下面的 pdf 链接中下载对应章节，也可以在 releases 界面直接下载所有文件。
| 中文章节 | 英文章节 | 下载 (含推导与代码实现) |
|---|---|---|
| 第一章 前言 | 1 Introduction | |
| 第二章 线性代数 | 2 Linear Algebra | |
| 第三章 概率与信息论 | 3 Probability and Information Theory | |
| 第四章 数值计算 | 4 Numerical Computation | |
| 第五章 机器学习基础 | 5 Machine Learning Basics | |
| 第六章 深度前馈网络 | 6 Deep Feedforward Networks | |
| 第七章 深度学习中的正则化 | 7 Regularization for Deep Learning | |
| 第八章 深度模型中的优化 | 8 Optimization for Training Deep Models | |
| 第九章 卷积网络 | 9 Convolutional Networks | |
| 第十章 序列建模：循环和递归网络 | 10 Sequence Modeling: Recurrent and Recursive Nets | |
| 第十一章 实践方法论 | 11 Practical Methodology | |
| 第十二章 应用 | 12 Applications | |
| 第十三章 线性因子模型 | 13 Linear Factor Models | |
| 第十四章 自编码器 | 14 Autoencoders | |
| 第十五章 表示学习 | 15 Representation Learning | |
| 第十六章 深度学习中的结构化概率模型 | 16 Structured Probabilistic Models for Deep Learning | |
| 第十七章 蒙特卡罗方法 | 17 Monte Carlo Methods | |
| 第十八章 直面配分函数 | 18 Confronting the Partition Function | |
| 第十九章 近似推断 | 19 Approximate Inference | |
| 第二十章 深度生成模型 | 20 Deep Generative Models |
尚未上传的章节会在后续陆续上传。
感谢对本项目的认可和推广。
本项目书写耗费时间精力。如果本项目对你有帮助，可以请作者吃份冰淇淋：
