翻译: 2深度学习的基础技能 概览

Posted 2022-03-10 AI架构师易筋

要开始深度学习，我们需要培养一些基本技能。所有机器学习都与从数据中提取信息有关。因此，我们将从学习存储、操作和预处理数据的实用技能开始。

此外，机器学习通常需要处理大型数据集，我们可以将其视为表格，其中行对应于示例，列对应于属性。线性代数为我们提供了一组强大的处理表格数据的技术。我们不会深入杂草，而是关注矩阵运算的基础及其实现。

此外，深度学习都是关于优化的。我们有一个带有一些参数的模型，我们希望找到最适合我们数据的模型。在算法的每一步确定每个参数的移动方式需要一点微积分，下面将简要介绍。幸运的是，这个autograd包会自动为我们计算微分，我们接下来会介绍它。

接下来，机器学习关注的是做出预测：给定我们观察到的信息，某个未知属性的可能值是多少？为了在不确定性下进行严格的推理，我们需要使用概率语言。

最后，官方文档提供了大量本书之外的描述和示例。在本章结束时，我们将向您展示如何查找文档以获取所需信息。

本书将数学内容保持在最低限度，以正确理解深度学习。然而，这并不意味着这本书是免费的数学。因此，本章提供了对基本和常用数学的快速介绍，以使任何人至少能够理解本书的大部分数学内容。如果你想了解所有的数学内容，进一步阅读关于数学的在线附录就 足够了。

2.1。数据处理
2.1.1。入门
2.1.2. 运营
2.1.3。广播机制
2.1.4。索引和切片
2.1.5。节省内存
2.1.6。转换为其他 Python 对象
2.1.7。概括
2.1.8。练习
2.2. 数据预处理
2.2.1。读取数据集
2.2.2。处理缺失数据
2.2.3。转换为张量格式
2.2.4。概括
2.2.5。练习
2.3. 线性代数
2.3.1。标量
2.3.2. 矢量图
2.3.3。矩阵
2.3.4。张量
2.3.5。张量算术的基本性质
2.3.6。减少
2.3.7。点积
2.3.8。矩阵向量积
2.3.9。矩阵-矩阵乘法
2.3.10。规范
2.3.11。更多关于线性代数
2.3.12。概括
2.3.13。练习
2.4. 结石
2.4.1。衍生物和微分
2.4.2. 偏导数
2.4.3。渐变
2.4.4。链式法则
2.4.5。概括
2.4.6。练习
2.5. 自动微分
2.5.1。一个简单的例子
2.5.2. 非标量变量的后退
2.5.3. 分离计算
2.5.4。计算 Python 控制流的梯度
2.5.5。概括
2.5.6。练习
2.6. 可能性
2.6.1。基本概率论
2.6.2. 处理多个随机变量
2.6.3. 期望和方差
2.6.4。概括
2.6.5。练习
2.7. 文档
2.7.1。查找模块中的所有函数和类
2.7.2. 查找特定函数和类的用法
2.7.3. 概括
2.7.4. 练习

参考

https://d2l.ai/chapter_preliminaries/index.html