《人工智能和深度学习的实用数学：关于计算机视觉、NLP、复杂深度神经网络和机器学习基础的简明而深入的指南》

本书是数学密码本，用于在快速变化的 AI 环境中导航

本书的主要特点

● 通过简单易懂的示例访问行业认可的 AI 方法和深度学习数学。

● 包括 MDP 建模、贝尔曼方程、自回归模型、BERT 和变压器。

● 详细的逐行算法图，以及它们执行的数学计算。

本书的描述:

为了构建一个可能被称为“人工智能”的系统，重要的是要发展设计能够在不确定条件下执行基于数据的自动决策的算法的能力。现在，为了实现这一目标，需要深入了解线性代数、向量微积分、概率和统计等更复杂的组成部分。本书将引导您了解每种数学算法，以及其架构，操作和设计，以便您了解任何人工智能系统的运作方式。

本书将教你人工智能中使用的常用术语，如模型、数据、模型参数、因变量和自变量。从零开始探索贝叶斯线性回归、高斯混合模型、随机梯度下降和反向传播算法。解释和比较了复杂 AI 计算所需的绝大多数复杂数学，例如自回归模型、周期 GAN 和 CNN 优化。

在阅读本书时，您将获得超越数学的知识。具体来说，您将熟悉许多AI训练方法，各种NLP任务以及降低数据维度的过程。

通过本书你将学到什么

● 通过选择性能最佳的 AI 算法，学习像专业数据科学家一样思考。

● 扩展您的数学视野，包括最前沿的 AI 方法。

● 了解变压器网络、提高 CNN 性能、降维和生成模型。

● 探索多种神经网络设计，作为构建自己的 NLP 和计算机视觉架构的起点。

● 为给定的业务应用程序创建专门的损失函数和量身定制的 AI 算法。