Здесь представлено корректное и полное соответствие правилам перевода, при этом сохранены все спецификации и структура исходного текста.---

### При написании работы использовались материалы из многих отличных онлайн-ресурсов; все ссылки на использованные источники сохранены в файле `reference.txt`.

#### # Авторское примечание

За последние месяцы получил множество электронных писем от читателей с просьбой быстрее завершить работу. Большое спасибо за ваше доверие. Однако хочу объяснить, что каждая глава требует времени на детализацию концепций, вывод теорий, создание графиков, реализацию кода и генерацию окончательного PDF файла. Все графики, которые вы видите в PDF файле, созданы мной лично. Если вы столкнулись со сложностями при чтении, пожалуйста, напишите мне об этом. Этот проект будет завершен своевременно. В заключение, если вам понравилась эта работа, я очень ценю, если вы добавите её в избранное, отметите звездой и сделаете форк. Также я буду благодарен, если вы распространите информацию о ней через другие платформы. Благодарю вас за ваше внимание и помощь! — Р. Чжоу

### # Обновление

2020/3/:```python
1. Изменена пятая глава, добавлены принципы алгоритмов ID3 и CART, основная реализация кода выполнена на основе CART.
2. Добавлена седьмая глава, которая включает вывод оптимальных решений для L1 и L2 регуляризации (то есть принцип L1-регуляризации).
3. Добавлена седьмая глава, которая включает вывод и реализацию методов ансамблевого обучения, таких как Bagging (случайный лес), Boosting (Adaboost, GBDT, XGBoost).
4. Добавлена восьмая глава, которая включает вывод методов Ньютона и псевдоньютоновых методов (DFP, BFGS, L-BFGS).
5. Добавлена одиннадцатая глава, которая включает вывод и реализацию методов байесовской линейной регрессии, регрессии Гаусса (GPR) и байесовского оптимизации.
```Следующие обновления будут содержаться в файле `update.txt`.

### Оглавление и загрузка файлов

Кроме концепций из книги "Глубокое обучение", **этот проект также включает дополнительные знания в каждой главе, такие как анализ и реализация случайного леса, Adaboost, GBDT, XGBoost в седьмой главе**, а также описание некоторых современных методов в двенадцатой главе. Полное оглавление и ссылки на скачивание PDF файлов можно найти ниже. Для получения более подробной информации о содержании каждого PDF файла обратитесь к файлу `contents.txt`. Вы можете скачать соответствующую главу по ссылкам ниже или загрузить все файлы сразу с помощью кнопки "Загрузить" на странице [релизов](https://github.com/MingchaoZhu/DeepLearning/releases).| Китайская глава | Английская глава | Скачать <br />(с выводами и реализацией кода) |
| ---------------- | ---------------- | ------------------------------------------- |
| Глава 1 Введение | Chapter 1 Introduction |  |
| Глава 2 Линейная алгебра | Chapter 2 Linear Algebra | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/2%20%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.pdf) |
| Глава 3 Теория вероятностей и информация | Chapter 3 Probability and Information Theory | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/3%20%E6%A6%82%E7%8E%87%E4%B8%8E%E4%BF%A1%E6%81%AF%E8%AE%BA.pdf) |
| Глава 4 Численное вычисление | Chapter 4 Numerical Computation | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/4%20%E6%95%B0%E5%80%BC%E8%AE%A1%E7%AE%97.pdf) |
| Глава 5 Основы машинного обучения | Chapter 5 Machine Learning Basics | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/5%20%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.pdf) |
| Глава 6 Глубокие перцептронные сети | Chapter 6 Deep Feedforward Networks | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/6%20%E6%B7%B1%E5%BA%A6%E5%89%8D%E9%A6%88%E7%BD%91%E7%BB%9C.pdf) |
| Глава 7 Регуляризация глубокого обучения | Chapter 7 Regularization for Deep Learning | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/7%20%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E6%AD%A3%E5%88%99%E5%8C%96.pdf) |
| Глава 8 Оптимизация обучения глубоких моделей | Chapter 8 Optimization for Training Deep Models | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/8%20%E6%B7%B1%E5%BA%A6%E6%A8%A1%E5%9E%8B%E4%B8%AD%E7%9A%84%E4%BC%98%E5%8C%96.pdf) |
| Глава 9 Конволюционные сети | Chapter 9 Convolutional Networks | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/9%20%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C.pdf) || Глава 10 Последовательное моделирование: рекуррентные и рекурсивные сети | Chapter 10 Sequence Modeling: Recurrent and Recursive Nets |  |
 | Глава 11 Практическая методология | Chapter 11 Practical Methodology | [pdf](https://github.com/MingchaoZhu/DeepLearning/raw/master/11%20Практическая%20методология.pdf) |
 | Глава 12 Приложения | Chapter 12 Applications |  |
 | Глава 13 Линейные факторные модели | Chapter 13 Linear Factor Models |  |
 | Глава 14 Автоматические кодировщики | Chapter 14 Autoencoders |  |
 | Глава 15 Обучение представлений | Chapter 15 Representation Learning |  |
 | Глава 16 Структурированные вероятностные модели для глубокого обучения | Chapter 16 Structured Probabilistic Models for Deep Learning |  |
 | Глава 17 Методы Монте-Карло | Chapter 17 Monte Carlo Methods |  |
 | Глава 18 Встреча с функцией распределения | Chapter 18 Confronting the Partition Function |  |
 | Глава 19 Приближенное выводное заключение | Chapter 19 Approximate Inference |  |
 | Глава 20 Глубокие генеративные модели | Chapter 20 Deep Generative Models |  |

Неопубликованные разделы будут выгружены последовательно.# Благодарность

Большое спасибо за признание и продвижение данного проекта.

Отдельное спасибо:

- Zhi-AI: https://mp.weixin.qq.com/s/iU61gnyf-iCKuo5Vn4SzSg

# Поддержка

Разработка данного проекта требует времени и усилий. Если данный проект был вам полезен, вы можете угостить автора мороженым:

<img src="./docs/pay.jpg" width="200" height="200" alt="Платеж" align=center>