深度学习基础与实践

第1章 机器学习回顾

回顾机器学习的基本概念，包括学习的机器、生物学的启发、深度学习的定义以及机器学习背后的数学知识。

1.1 学习的机器

介绍机器学习的基本概念，包括机器如何学习和生物学的启发。

1.1.1 机器如何学习

探讨机器学习的基本原理，包括数据驱动的学习过程。

1.1.2 生物学的启发

分析生物神经网络对机器学习的启示，包括感知器和多层前馈网络。

1.1.3 什么是深度学习

定义深度学习的概念，探讨其与传统机器学习的区别。

1.1.4 钻进奇幻的兔子洞

深入探讨深度学习的复杂性和挑战。

1.2 提出问题

介绍如何定义和提出机器学习中的问题。

1.3 机器学习背后的数学：线性代数

介绍线性代数在机器学习中的应用，包括标量、向量、矩阵和张量。

1.3.1 标量

定义标量及其在机器学习中的作用。

1.3.2 向量

介绍向量的概念及其在机器学习中的应用。

1.3.3 矩阵

解释矩阵的定义及其在线性代数中的重要性。

1.3.4 张量

介绍张量的概念及其在深度学习中的应用。

1.3.5 超平面

探讨超平面的概念及其在机器学习中的作用。

1.3.6 相关数学运算

介绍线性代数中的基本数学运算。

1.3.7 将数据转换成向量

讲解如何将数据转换为向量表示。

1.3.8 方程组求解

介绍如何使用线性代数求解方程组。

1.4 机器学习背后的数学：统计学

探讨统计学在机器学习中的应用，包括概率、条件概率和分布。

1.4.1 概率

介绍概率的基本概念及其在机器学习中的应用。

1.4.2 条件概率

解释条件概率的概念及其在机器学习中的重要性。

1.4.3 后验概率

探讨后验概率的概念及其在贝叶斯方法中的应用。

1.4.4 分布

介绍常见的概率分布及其在机器学习中的应用。