《深度学习500问》正式出版！GitHub星标数超4.2万的火爆之作 | 赠书( 三 ) 编辑|陈大鑫AI领域蓬勃发展

9.10MaskR-CNN作为目标分割的介绍
9.11基于弱监督学习的图像分割
第10章迁移学习
10.1迁移学习基础知识
10.2迁移学习的研究领域
10.3迁移学习的应用
10.4迁移学习的基本方法
10.5分布对齐的常用方法
10.6深度迁移学习方法
10.7迁移学习研究前沿
第11章网络架构介绍及训练
11.1Tensorflow
11.2Caffe
11.3PyTorch
11.4常见的深度学习分布式框架
11.5网络搭建原则及训练技巧
第12章网络优化技巧
12.1数据集和样本优化
12.2数据不匹配问题
12.3网络构建和初始化
12.4特征选择
12.5梯度消失和梯度爆炸
12.6评价指标
12.7模型和系统优化
第13章超参数调整
13.1超参数的概念
13.2网络训练中的超参数调整策略
13.3合理使用预训练网络
13.4自动化超参数搜索方法
13.5自动机器学习AutoML
第14章模型压缩、加速和移动端部署
14.1模型压缩
14.2为什么需要模型压缩
14.3模型压缩方法
14.4网络压缩的未来研究方向
14.5模型优化加速方法
14.6如何选择压缩和加速方法
14.7高效CNN网络设计的原则
14.8常用的轻量级网络
14.9现有的移动端开源框架及其特点
14.10移动端开源框架部署
超详细目录：
第1章数学基础1
1.1向量和矩阵1
1.1.1标量、向量、矩阵和张量1
1.1.2张量与矩阵的区别2
1.1.3矩阵和向量相乘的结果2
1.1.4向量和矩阵的范数归纳2
1.1.5判断一个矩阵是否为正定矩阵4
1.2导数和偏导数5
1.2.1导数偏导计算5
1.2.2导数和偏导数的区别6
1.3特征值和特征向量6
1.3.1特征值分解6
1.3.2奇异值和特征值的关系6
1.4概率分布与随机变量7
1.4.1机器学习为什么要使用概率7
1.4.2变量与随机变量的区别7
1.4.3随机变量与概率分布的联系8
1.4.4离散型随机变量和概率质量函数8
1.4.5连续型随机变量和概率密度函数8
1.4.6举例理解条件概率9
1.4.7联合概率与边缘概率的区别和联系9
1.4.8条件概率的链式法则10
1.4.9独立性和条件独立性10
1.5常见概率分布11
1.5.1伯努利分布11
1.5.2高斯分布11
1.5.3何时采用正态分布12
1.5.4指数分布12
1.5.5Laplace分布13
1.5.6Dirac分布和经验分布13
1.6期望、方差、协方差、相关系数13
1.6.1期望13
1.6.2方差14
1.6.3协方差14
1.6.4相关系数15
第2章机器学习基础16
2.1基本概念16
2.1.1大话机器学习本质16
2.1.2什么是神经网络16
2.1.3各种常见算法图示17
2.1.4计算图的导数计算17
2.1.5理解局部最优与全局最优18
2.1.6大数据与深度学习之间的关系19
2.2机器学习的学习方式20
2.2.1监督学习20
2.2.2非监督学习20
2.2.3半监督学习20
2.2.4弱监督学习20
2.2.5监督学习模型的搭建步骤21
2.3分类算法22
2.3.1常用分类算法的优缺点22
2.3.2分类算法的评估方法23
2.3.3正确率能否很好地评估分类算法25
2.3.4什么样的分类器是最好的26
2.4逻辑回归26
2.4.1回归的种类26
2.4.2逻辑回归适用性27
2.4.3逻辑回归与朴素贝叶斯的区别27
2.4.4线性回归与逻辑回归的区别27
2.5代价函数28
2.5.1为什么需要代价函数28
2.5.2代价函数作用原理28
2.5.3常见代价函数30
2.5.4为什么代价函数要非负31
2.5.5为什么用交叉熵代替二次代价函数31
2.6损失函数32
2.6.1什么是损失函数32
2.6.2常见的损失函数32
2.6.3逻辑回归为什么使用对数损失函数34
2.6.4对数损失函数如何度量损失34
2.7梯度下降法35
2.7.1梯度下降法的作用36
2.7.2梯度下降法的直观理解36
2.7.3梯度下降法算法描述37
2.7.4梯度下降法的缺点38
2.7.5如何对梯度下降法进行调优38
2.7.6随机梯度下降和批量梯度下降的区别38
2.7.7各种梯度下降法性能比较40
2.8线性判别分析40
2.8.1LDA思想总结40
2.8.2图解LDA核心思想41
2.8.3二类LDA算法原理41
2.8.4LDA算法流程总结42
2.8.5LDA和PCA的异同43
2.8.6LDA的优缺点43
2.9主成分分析43
2.9.1图解PCA核心思想43
2.9.2PCA算法推理44
2.9.3PCA算法流程总结45
2.9.4PCA思想总结46
2.9.5PCA算法的优缺点46
2.9.6降维的必要性及目的46
2.9.7KPCA与PCA的区别47
2.10模型评估47
2.10.1模型评估常用方法48
2.10.2误差、偏差和方差的区别和联系48
2.10.3为什么使用标准差49
2.10.4经验误差与泛化误差50
2.10.5图解欠拟合与过拟合50
2.10.6如何解决欠拟合与过拟合52