好书推荐｜马毅教授重磅新书《数据分布的深度表达学习》
当你惊叹AI能生成丰富的文本、语音和视频时，你会想到什么？是感慨AI的功能强大，还是好奇这些功能背后的原理是什么？或许你也疑惑，为什么AI的学习能力如此强大，却像个看不见的“黑箱”，不知道它学习的工作原理？如果你想了解AI学习的本质，搞懂AI学习背后的数学原理，那这本图书《数据分布的深度表达学习》就值得一读。
本推文作者邓镝，审核韩煦。
一、作者介绍
1、作者简介
马毅，博士毕业于加州大学伯克利分校，香港大学计算与数据科学学院教授，加州大学伯克利分校电子工程与计算机科学系客座教授。他的研究方向包括计算机视觉、高维数据分析、智能系统等。
作者主页
（1）香港大学主页
https://www.cs.hku.hk/index.php/people/academic-staff/mayi
（2）加州大学伯克利分校主页
https://people.eecs.berkeley.edu/~yima/
2、图书下载
（1）中文版
（a）网页端请复制网址到浏览器进行打开，然后点击HTML或者PDF版本按钮
https://ma-lab-berkeley.github.io/deep-representation-learning-book/zh/
（b）移动端请扫描二维码打开，然后点击HTML或者PDF版本按钮
（2）英文版
（a）网页端请复制网址到浏览器进行打开，然后点击HTML或者PDF版本按钮
https://ma-lab-berkeley.github.io/deep-representation-learning-book/
（b）移动端请扫描二维码打开，然后点击HTML或者PDF版本按钮
3、代码下载
（1）网页端请复制网址到浏览器进行打开：
https://github.com/Ma-Lab-Berkeley/deep-representation-learning-book
（2）移动端请扫描二维码打开：
二、图书概览
在当前深度学习，特别是"生成式人工智能"时代，人们在训练超大型生成模型方面投入了大量资源。迄今为止，这些模型一直是难以理解的"黑盒子"，因为它们的内部机制不透明，导致在可解释性、可靠性和可控性方面存在困难。本书试图"打开黑盒子"，通过表示学习的视角来理解大型深度网络的机制，表示学习是深度学习模型经验能力的一个主要因素——可以说是最重要的一个因素。
本书揭示并研究了几乎所有现代（人工）智能实践背后的一个共同而基本的问题。即，如何有效且高效地学习高维空间中数据的低维分布，并将该分布转换为紧凑且结构化的表示？对于任何智能系统，无论是自然的还是人造的，这样的表示通常可以被视为从外部世界感知到的数据中学习到的记忆或知识。
本书旨在为高年级本科生和研究生新生系统介绍学习此类数据分布（深度）表示的数学和计算原理。本书的主要先修课程是本科线性代数、概率/统计学和最优化理论，如果熟悉信号处理、信息论和反馈控制的基本概念，将会增强对本书的理解。
本书的内容简要概述如下。第1章将总结贯穿全书的主线。第2、3、4、5章将通过优化和信息论来解释现代神经网络架构的设计原则，将架构开发过程（长期以来被描述为某种"炼金术"）简化为在引入基本原理后的本科水平线性代数和微积分练习。第6章和第7章将讨论这些原理的应用，以更范式化的方式解决问题，获得设计上高效、可解释且可控的新方法和模型，但功能不逊于——有时甚至超过——它们所类似的黑盒模型。第8章将讨论深度学习的潜在未来方向、表示学习的作用以及一些开放问题。
三、图书目录
为方便读者了解书籍内容，下面给出了图书的目录。
如果你对可解释的AI感兴趣，那就赶快下载图书进行阅读吧。希望你能有所收获。