AI_000916的博客

内容简介：本书以线性代数、微积分、概率论为逻辑主线，讲解了与深度学习有关的大部分数学内容。本书以理论结合实际的方式讲解，使数学知识不再是冰冷的公式堆砌，而变成一个个真实的案例，同时对案例背后的原理进行理论上的升华，希望达到一通百通的效果。读者通过阅读本书，不仅能够提升阅读学术论文中的数学公式的能力，还能加深对深度学习本身的理解。本书面向入门级读者，摒弃复杂的数学推导和证明，重视逻辑推理和简单的表达，特别适合数学基础不足的读者阅读。

目录6.1　概率分布之间的距离6.2　最大似然估计6.3　logit和softmax6.3.1　二分类的logit6.3.2　多分类的softmax6.4　语言模型6.5　概率悖论6.5.1　辛普森悖论6.5.2　基本比率谬误6.5.3　罗杰斯现象6.5.4　伯克森悖论6.6　统计学基础6.6.1　卡方分布和学生分布6.6.2　假设检验6.6.3　AB测试6.7　各类hash变换6.7.1　特征hash6.7.2　MD56.7.3　特征空间的投影6.7.4　simhash6.7.5　minhash6.8　分

概率是一门古老的学科，如果溯源，一般认为其来源于赌博，但是随后其发展出了一套体系理论并拓展到科学和工程的方方面面。特别是在机器学习领域中，概率和统计学可以说奠定了一整套理论基础。概率和统计学本身涉及的知识面非常之广，本书仅围绕机器学习方面的知识展开讨论。概率是用来度量事情发生的可能性的，通常用 P 表示。概率是续型变量，值域一般定义为 [0,1]。如果一个事情必然发生，那么该事件被称为必然事件。