●譯者序序言致謝前言作者簡介第一部分 引言第1章 緒論1.1 神經網絡1.2 深度學習1.3 梯度下降法1.4 小結1.5 本書結構第2章 通用數學框架2.1 機器學習與計算統計學2.2 小結第3章 優化理論簡述3.1 機器學習所需的優化理論3.2 在線算法:機器學習的順序更新3.3 小結第4章 改進的CoCoSSC方法4.1 問題描述4.2 梯度加速下降法4.3 CoCoSSC方法4.4 在線時變粘性網算法4.5 小結第5章 關鍵術語5.1 一些定義5.2 小結第6章 關於非凸規劃幾何的相關研究6.1時間序列數據集6.2 粒子學習6.3 在氣候變化中的應用6.4 小結第二部分 機器學習的數學框架:理論部分第7章 收斂到最小值的梯度下降法:很優和自適應的步長規則7.1 引言7.2 符號與預備知識7.3 優選允許步長7.4 自適應步長規則7.5 定理7.1的證明7.6 定理7.2的證明7.7 輔助定理7.8 技術證明7.9 小結第8章 基於優化的守恆定律方法8.1 準備:直觀的解析演示8.2 辛方法與算法8.3 局部高速收斂現像的漸近分析8.4 實驗演示8.5 小結與展望第三部分 機器學習的數學框架:應用部分第9章 含有噪聲和缺失觀測值的稀疏子空間聚類的樣本復雜度的改進9.1 CoCoSSC算法的主要結果9.2 證明9.3 數值結果9.4 技術細節9.5 小結第10章時間序列中穩定和分組因果關繫的在線發現10.1 問題表述10.2 粘性網正則化10.3 在線推理10.4 實驗驗證10.5 小結與展望第11章 後記參考文獻