深度学习的数学的读后感大全

《深度学习的数学》是一本由[日]涌井良幸 / [日]涌井贞美著作，人民邮电出版社出版的平装图书，本书定价：69.00元，页数：236，特精心收集的读后感，希望对大家能有帮助。

　　《深度学习的数学》精选点评：

●我感觉自己以后学会系统性表述可以赚不少钱

●适合入门，里面的excel文件可以自行修改一下，了解一些简单的场景，对理解深度学习还是很有用的！ excel资料下载地址：https://www.ituring.com.cn/book/2593，点击右侧的下载链接即可。

●讲求导的数不少，这本书好在零基础，图画得很不错，里面用excel的创意也不错，能够实际的看到step的过程， 这本书最适合需要深入了解什么神经网络的人，码农不需要，太简单了。 胜在简单易懂(注意一下作者的年龄)

●符合日本人一贯的风格，名字高大上，内容幼稚园

●简单易懂，但各个公式符号，看的晕。

●看的第一本神经网络书，感觉还不错

●这个对我而言确实太过于简单了

●慢慢回忆起了以前学过的数学

●“符合日本人一贯的风格，名字高大上，内容幼稚园”

●总之很好的一本书，看着很简单，但不知不觉中你已经理解了读书时很多没有理解的知识点。

《深度学习的数学》读后感(一)：日本人的数学书写的通俗易懂，值得学习

从事着跟计算机没什么大关系的行业，纯粹为了了解下AI的基本知识，这本书很合适，以前看了数学女孩的系列书，感觉日本的数学方面还是很有底蕴的，至少有些一些人致力于这个方面，能把复杂的知识用简单的方式讲清楚，一定对其有着很深的认识，把握关键点通过比喻类比之类的方式让读者更容易的理解其中的本质，写书的目的就是为了读者的理解，目标纯粹，值得读一下。

《深度学习的数学》读后感(二)：摘要笔记

偏导。链式法则。

梯度下降法求多元函数的最小值。拉格朗日乘数法。

误差反向传播法确定神经网络的权重和偏置。特点是将繁杂的导数计算替换为数列的递推关系式，而提供这些递推关系式的就是名为神经单元误差(error)的变量。

利用代价函数求最优化问题。

卷积神经网络。隐藏层是多个由卷积层和池化层组成的子层。

《深度学习的数学》读后感(三)：深度学习的小小思考

《深度学习的数学》，入门书，如果忽略公式章节，大约一两天就能读完。比较有趣的两段是“用小恶魔来讲解卷积神经网络的结构”和“用excel体验卷积神经网络”。

深度学习是机器学习的技术子集，它使用连接系统或神经网络进行机器学习，通过学习提取分类问题的特征执行自动化的多层数据提取，而不需要手动标记特征。卷积神经网络(Convolutional Neural Network, CNN)是一种源于人工神经网络的深度学习的代表算法之一，近年来在图像识别领域取得了巨大的成功。

一个经典的神经网络包含输入层，输出层，隐藏层三个层次，而与普通神经网络相比，卷积神经网络增加了卷积层和池化层，也就是说卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在一些现代算法中可能有更加复杂构筑。美国斯坦福大学教授李飞飞团队创立的ImageNet图像数据集项目所举办的大规模视觉识别挑战赛2015年夺冠的深度神经网络其隐含层结构已经达到了152层（越高隐含层层数的神经网络越能够表现出高超的预测和识别能力）。

人工智能方向有个词语叫做奇点（singularity)，这是被用来表示AI超过人类智能的时间点。据预测是2030年至2045年，也有不少人预测这个时间点会更早到来，霍金和马斯克都曾放言AI 将取代人类。且不论这种说法的可靠性，就我们现在观测到的深度学习的发展前景以及深度模型在现如今海量数据支撑下越来越高的准确率，就很使得人类又欣慰又担忧。

其实我想表达的是，我们对创建高质量的标准化数据库平台和提升算法性能有信心，但同时，关于人工智能在伦理方面的政策指标尚没有平衡。AI离不开大量用于训练的数据集，但机器学习“不可解释性”让算法“黑箱”问题成为公众焦点和科学家们今后主要关注的方向。今年，腾讯研究院、腾讯天衍实验室、腾讯优图实验室、腾讯AI Lab团队联合发布主题研究报告《可解释AI发展报告2022》，科学家和产业⼤咖们一起探讨AI 的未来。