2020张宇题源深析1000题-习题分册（数学一）.pdf

编辑推荐 《矩阵论千题习题详解》内容全面，题量大，解答详尽，适合学习矩阵论课程的研究生以及参加博士入学矩阵论课程考试的人员阅读，对于从事矩阵论教学工作的教师也有一定的参考价值。

JAVA 面试 1000题 内容全覆盖 2017年新版，强烈推荐 面试，考试必备，有详细解答答案。

2019考研 张宇考研数学一 1000题 解析分册和习题分册 祝大家考研成功

BAT机器学习面试1000题系列 1 前言 1 BAT机器学习面试1000题系列 2 1 归一化为什么能提高梯度下降法求解最优解的速度？ 22 2 归一化有可能提高精度 22 3 归一化的类型 23 1）线性归一化 23 2）标准差标准化 23 3）非线性归一化 23 35. 什么是熵。机器学习 ML基础 易 27 熵的引入 27 3.1 无偏原则 29 56. 什么是卷积。深度学习 DL基础 易 38 池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n） 40 随机梯度下降 46 批量梯度下降 47 随机梯度下降 48 具体步骤： 50 引言 72 1. 深度有监督学习在计算机视觉领域的进展 73 1.1 图像分类（Image Classification） 73 1.2 图像检测（Image Dection） 73 1.3 图像分割（Semantic Segmentation） 74 1.4 图像标注–看图说话（Image Captioning） 75 1.5 图像生成–文字转图像（Image Generator） 76 2.强化学习（Reinforcement Learning） 77 3深度无监督学习（Deep Unsupervised Learning）–预测学习 78 3.1条件生成对抗网络（Conditional Generative Adversarial Nets，CGAN） 79 3.2 视频预测 82 4 总结 84 5 参考文献 84 一、从单层网络谈起 96 二、经典的RNN结构（N vs N） 97 三、N VS 1 100 四、1 VS N 100 五、N vs M 102 Recurrent Neural Networks 105 长期依赖（Long-Term Dependencies）问题 106 LSTM 网络 106 LSTM 的核心思想 107 逐步理解 LSTM 108 LSTM 的变体 109 结论 110 196. L1与L2范数。机器学习 ML基础 易 163 218. 梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习 DL基础 中 178 @李振华，https://www.zhihu.com/question/68109802/answer/262143638 179 219. 请比较下EM算法、HMM、CRF。机器学习 ML模型 中 179 223. Boosting和Bagging 181 224. 逻辑回归相关问题 182 225. 用贝叶斯机率说明Dropout的原理 183 227. 什么是共线性, 跟过拟合有什么关联? 184 共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。 184 共线性会造成冗余，导致过拟合。 184 解决方法：排除变量的相关性／加入权重正则。 184 勘误记 216 后记 219

矩阵论千题习题解答，非常好的教材题解，清晰度很高，推荐给大家

这是学习机器学习的总纲，对于刚刚入门的人来说也许有些困难，但依旧是非常好的文档，即使对于老手这也是不错的参考文档

2020张宇题源深析1000题-习题分册（数一） 拆分打包

iOS开发试题大全：笔试面试一千题，包含1000道iOS试题和参考答案，题型包含：判断题、单选题，多选题和面试题。分为这套资料共分为"语法","常识","界面","iOS","操作","数据结构","多线程","网络","多媒体","安全"十个篇章。 大家可以利用这些试题加强iOS开发的理论知识，当然对面试也是很有帮助的！ 试题参考答案在每篇的最后一页。

张宇2019考研数学题源探析经典1000题习题分册（数学二）.pdf