深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书分为18个章节，近30万字。
1. 版权声明
请尊重作者的知识产权，版权所有，翻版必究。 未经许可，严禁转发内容！
请大家一起维护自己的劳动成果，进行监督。 未经许可， 严禁转发内容！ 2018.6.27 TanJiyong
2. 概述
本项目是大家对AI的相关知识进行整合，集思广益, 以便形成 内容充实，覆盖全面的文集。
3. 加入以及文档规范
1、寻求有愿意继续完善的朋友、编辑、写手；如有意合作，完善出书（成为共同作者）。
2、所有提交内容的贡献者，将会在文中体现贡献者个人信息（例: 大佬-西湖大学）
3、为了让内容更充实完善，集思广益，欢迎Fork该项目并参与编写。请在修改MD文件的同时（或直接留言）备注自己的姓名－单位（大佬－斯坦福大学），一经采纳，会在原文中显示贡献者的信息，谢谢！
4、推荐使用typora-Markdown阅读器：https://typora.io/
例子：
### 3.3.2 如何寻找超参数的最优值？（贡献者：大佬－斯坦福大学） 在使用机器学习算法时，总有一些难搞的超参数。例如权重衰减大小，高斯核宽度等等。算法不会设置这些参数，而是需要你去设置它们的值。设置的值对结果产生较大影响。常见设置超参数的做法有： 1. 猜测和检查：根据经验或直觉，选择参数，一直迭代。 2. 网格搜索：让计算机尝试在一定范围内均匀分布的一组值。 3. 随机搜索：让计算机随机挑选一组值。 4. 贝叶斯优化：使用贝叶斯优化超参数，会遇到贝叶斯优化算法本身就需要很多的参数的困难。 5. 在良好初始猜测的前提下进行局部优化：这就是 MITIE 的方法，它使用 BOBYQA 算法，并有一个精心选择的起始点。由于 BOBYQA 只寻找最近的局部最优解，所以这个方法是否成功很大程度上取决于是否有一个好的起点。在 MITIE 的情下,我们知道一个好的起点，但这不是一个普遍的解决方案，因为通常你不会知道好的起点在哪里。从好的方面来说，这种方法非常适合寻找局部最优解。稍后我会再讨论这一点。 6. 最新提出的 LIPO 的全局优化方法。这个方法没有参数，而且经验证比随机搜索方法好。
4. 贡献与项目概览
已提交MD版本章节：请查看MarkDown
-
项目地址： https://github.com/scutan90/DeepLearning-500-questions 第一章 数学基础 1 1.1 标量、向量、张量之间的联系 1 1.2 张量与矩阵的区别？ 1 1.3 矩阵和向量相乘结果 1 1.4 向量和矩阵的范数归纳 1 1.5 如何判断一个矩阵为正定？ 2 1.6 导数偏导计算 3 1.7 导数和偏导数有什么区别？ 3 1.8 特征值分
-
文字版吴恩达机器学习，深度学习地址：机器学习初学者-AI入门的宝典 深度学习500问地址：https://github.com/fengdu78/DeepLearning-500-questions ，面试问题专用
-
近年来，深度学习在语音、图像、自然语言处理等领域都取得了非常不错的成果，自然而然地成为技术人员争相学习的热点。 为了帮助正在学习深度学习的伙伴们，川大的一名优秀毕业生，在GitHub上创建了一个项目：《深度学习500问》，通过问答的形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书分为15个章节，近20万字。 截至今日，该
-
编辑 · ch03_深度学习基础/第三章_深度学习基础.md · master · mirrors / scutan90 / DeepLearning-500-questions · GitCode
-
参考https://github.com/scutan90/DeepLearning-500-questions
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。
-
你拿起这本书的时候，可能已经知道深度学习近年来在人工智能领域所取得的非凡进展。在图像识别和语音转录的任务上，五年前的模型还几乎无法使用，如今的模型的表现已经超越了人类。