59 lines
2.5 KiB
Plaintext
59 lines
2.5 KiB
Plaintext
{
|
|
"cells": [
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "fc08a2aa",
|
|
"metadata": {
|
|
"origin_pos": 0
|
|
},
|
|
"source": [
|
|
"# 预备知识\n",
|
|
":label:`chap_preliminaries`\n",
|
|
"\n",
|
|
"要学习深度学习，首先需要先掌握一些基本技能。\n",
|
|
"所有机器学习方法都涉及从数据中提取信息。\n",
|
|
"因此，我们先学习一些关于数据的实用技能，包括存储、操作和预处理数据。\n",
|
|
"\n",
|
|
"机器学习通常需要处理大型数据集。\n",
|
|
"我们可以将某些数据集视为一个表，其中表的行对应样本，列对应属性。\n",
|
|
"线性代数为人们提供了一些用来处理表格数据的方法。\n",
|
|
"我们不会太深究细节，而是将重点放在矩阵运算的基本原理及其实现上。\n",
|
|
"\n",
|
|
"深度学习是关于优化的学习。\n",
|
|
"对于一个带有参数的模型，我们想要找到其中能拟合数据的最好模型。\n",
|
|
"在算法的每个步骤中，决定以何种方式调整参数需要一点微积分知识。\n",
|
|
"本章将简要介绍这些知识。\n",
|
|
"幸运的是，`autograd`包会自动计算微分，本章也将介绍它。\n",
|
|
"\n",
|
|
"机器学习还涉及如何做出预测：给定观察到的信息，某些未知属性可能的值是多少？\n",
|
|
"要在不确定的情况下进行严格的推断，我们需要借用概率语言。\n",
|
|
"\n",
|
|
"最后，官方文档提供了本书之外的大量描述和示例。\n",
|
|
"在本章的结尾，我们将展示如何在官方文档中查找所需信息。\n",
|
|
"\n",
|
|
"本书对读者数学基础无过分要求，只要可以正确理解深度学习所需的数学知识即可。\n",
|
|
"但这并不意味着本书中不涉及数学方面的内容，本章会快速介绍一些基本且常用的数学知识，\n",
|
|
"以便读者能够理解书中的大部分数学内容。\n",
|
|
"如果读者想要深入理解全部数学内容，可以进一步学习本书数学附录中给出的数学基础知识。\n",
|
|
"\n",
|
|
":begin_tab:toc\n",
|
|
" - [ndarray](ndarray.ipynb)\n",
|
|
" - [pandas](pandas.ipynb)\n",
|
|
" - [linear-algebra](linear-algebra.ipynb)\n",
|
|
" - [calculus](calculus.ipynb)\n",
|
|
" - [autograd](autograd.ipynb)\n",
|
|
" - [probability](probability.ipynb)\n",
|
|
" - [lookup-api](lookup-api.ipynb)\n",
|
|
":end_tab:\n"
|
|
]
|
|
}
|
|
],
|
|
"metadata": {
|
|
"language_info": {
|
|
"name": "python"
|
|
},
|
|
"required_libs": []
|
|
},
|
|
"nbformat": 4,
|
|
"nbformat_minor": 5
|
|
} |