Deep Learning

MIT Deep Learning Book in PDF format (by Ian Goodfellow, Yoshua Bengio and Aaron Courville). Table of Contents......Page 2 Website......Page 8 Acknowledgements......Page 9 Notation......Page 12 1 Introduction......Page 16 PART I: Applied Math and Machine Learning Basics......Page 44 2 Linear Algebra......Page 46 3 Probability and Information Theory......Page 68 4 Numerical Computation......Page 95 5 Machine Learning Basics......Page 113 PART II: Deep Networks: Modern Practices......Page 181 6 Deep Feedforward Networks......Page 183 7 Regularization for Deep Learning......Page 243 8 Optimization for Training Deep Models......Page 289 9 Convolutional Networks......Page 345 10 Sequence Modeling: Recurrent and Recursive Nets......Page 388 11 Practical Methodology......Page 436 12 Applications......Page 458 PART III: Deep Learning Research......Page 501 13 Linear Factor Models......Page 504 14 Autoencoders......Page 517 15 Representation Learning......Page 541 16 Structured Probabilistic Models for Deep Learning......Page 573 17 Monte Carlo Methods......Page 605 18 Confronting the Partition Function......Page 620 19 Approximate Inference......Page 646 20 Deep Generative Models......Page 669 Bibliography......Page 736 Index......Page 793