本仓库包含《深度学习：基础与概念》(Deep Learning: Foundations and Concepts) 一书的补充资源、练习材料和解决方案。该书由Christopher M. Bishop和Hugh Bishop编著，由Springer于2023年出版。 🎉中文版已由 人民邮电出版社 出版🎉
_332.png)
_00.png)
_612.png)
仓库按以下方式组织：
-
Book/ - 书籍相关材料
- Book_PDF/ - 书籍的PDF版本
- Book_PNG/ - 书籍的PNG版本
-
Code/ - 代码示例和练习笔记本
- 包含涵盖手写数字识别、PyTorch入门、神经网络实现（包括UNet架构）等主题的Jupyter笔记本
-
Data/ - 练习用数据集
- MNIST/ - 用于手写数字识别的MNIST数据集
-
Figure/ - 书中的所有图表和插图
-
Solutions/ - 书籍练习的相关数学推导解答 ⭐已更新完成所有练习题解答⭐
- 包含概率论、标准分布、单层网络、Transformer、变分自编码器等主题的PDF文件
《深度学习：基础与概念》是一本全面的教材，涵盖了深度学习的理论基础和实际应用。该书由Christopher M. Bishop（微软技术院士，微软研究AI4Science主任，剑桥达尔文学院院士，皇家工程院院士，皇家学会院士）和Hugh Bishop（伦敦Wayve公司应用科学家，专注于端到端深度学习自动驾驶技术）合著。
- 全面覆盖从基础概念到高级架构的内容
- 通过文字、图表、数学公式和伪代码提供清晰解释
- 包含自成体系的概率论介绍
- 深入探讨现代架构（MLP、CNN、RNN、Transformer、GNN）
- 涵盖注意力机制、GAN、VAE、迁移学习和对比学习
- 应用于计算机视觉、自然语言处理、语音识别、蛋白质结构预测和医学诊断
- 特别因其对Transformer和大型语言模型的清晰解释而受到赞誉
- 机器学习初学者和有经验的从业者
- 学术研究人员和学生（本科或研究生水平）
- 对深度学习理论感兴趣的自学者
- 希望为未来研究或专业化打下坚实基础的专业人士
- 线性代数基础（矩阵运算、特征值）
- 概率论基础（贝叶斯理论、条件概率）
- 基础微积分（梯度、偏导数）
- 从
Code/目录中的练习笔记本开始，获取实践经验 - 在自己尝试练习后，参考
Solutions/目录中的数学推导解答 - 使用
Data/目录中的数据集进行实际实现 - 查阅
Figure/目录中的图表，获取直观解释
如果您在研究或项目中使用这些材料，请引用原书：
@book{Bishop:DeepLearning24,
author = {Christopher M. Bishop and Hugh Bishop},
title = {Deep Learning: Foundations and Concepts},
year = {2024},
publisher = {Springer}
}
本仓库仅供教育学习目的使用。请尊重原始材料的版权。所有内容均按照学术和研究目的的合理使用原则共享。