Bishop 《深度学习：基础与概念》讲解

项目简介

本项目旨在对 Bishop 的新书 Deep Learning: Foundations and Concepts 的正文、附录和习题进行讲解。特别是针对工科生可能未了解、薄弱的方面进行讲解。另外对于一些较难理解的概念给出我们认为更好的讲解。

立项理由

自 Bishop 上一本名著《PRML》后，其与其他作者又联名撰写了 Deep Learning: Foundations and Concepts。此书知识覆盖全面，且有较强的理论基础。但对部分学生及初学者而言相对困难。不少学习者看到书中的数学推导望而却步。另外，书中推导中的跳步、未接触的新概念和新名词更成为学习者通读此书的绊脚石。 因此我们希望给出一个帮助学习者辅助阅读的材料，其中

1. 对学习者可能不熟悉的概念给出最少前置条件的解释
2. 对补充原书中推导被跳过的步骤
3. 对于一些重要概念给出另一个解释，帮助学习者更好的理解这个概念

项目受众

具有基本高等数学、线性代数基础；希望学习此书又在此过程中遇到一些困难的学习者

项目亮点

对应于“立项理由”中的三点，本项目的亮点为

1. 真正从学习者视角出发的新概念解释，并说明其来源、用途；而不是简单罗列
2. 填补所有的跳步空缺，还原推导、证明中的“脚手架”，并辅以文字说明
3. 对给出我们自己对重要概念的理解，创造看待重要概念的多维视角，帮助学习者构建学科、领域之间的联系

项目规划

周数	章节	预估	视频	负责人	进度
1–2	Ch 1: The Deep Learning Revolution	2 周			未分配
3–5	Ch 2: Probabilities	3 周			未分配
6–8	Ch 3: Standard Distributions	3 周			未分配
9–12	Ch 4: Regression	–		何瑞杰	已完成
13–16	Ch 5: Classification	4 周		何瑞杰	进行中
17–20	Ch 6: Deep Neural Networks	4 周			未分配
21–23	Ch 7: Gradient Descent	3 周			未分配
24–26	Ch 8: Backpropagation	3 周			未分配
27–29	Ch 9: Regularization	3 周			未分配
30–33	Ch 10: Convolutional Networks	4 周			未分配
34–36	Ch 11: Structured Distributions	3 周			未分配
37–40	Ch 12: Transformers	4 周			未分配
41–43	Ch 13: Graph Neural Networks	3 周			未分配
44–46	Ch 14: Sampling	3 周			未分配
47–50	Ch 15: Discrete Latent Variables	4 周			未分配
51–54	Ch 16: Continuous Latent Variables	4 周			未分配
55–56	Ch 17: Generative Adversarial Networks	2 周			未分配
57–58	Ch 18: Normalizing Flows	2 周			未分配
59–60	Ch 19: Autoencoders	2 周			未分配
61–64	Ch 20: Diffusion Models	4 周			未分配
65–66	Appendix: A–C 附录	2 周			未分配

贡献者名单

姓名	职责	简介
$何瑞杰$	项目负责人 第4,5章贡献者	香港科技大学

参与贡献

• 如果你发现了一些问题，可以提Issue进行反馈，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你想参与贡献本项目，可以提Pull request，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，请按照Datawhale开源项目指南进行操作即可~

关注我们

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

注：默认使用CC 4.0协议，也可根据自身项目情况选用其他协议