今天给大家介绍一份不错的深度学习数学基础，共 112 页 PPT，7 月 22 号刚刚发布。
作者：
本教程的作者是以色列特拉维夫大学电气工程学院的助理教授 Raja Gieles。他的研究兴趣在于信号和图像处理和机器学习之间的交叉，特别是在深度学习、逆问题、稀疏表示和信号和图像建模中。
摘要：
在过去的五年中，由于引入了深度神经网络进行特征学习和分类，识别系统的性能有了显著的提高。然而，这一成功的理论基础仍然难以捉摸。本教程将介绍一些深神经网络的理论结果，其目的是为属性提供数学证明，如逼近能力、收敛性、全局最优性、不变性、学习表征的稳定性、泛化误差等。讨论了发展理论对神经网络实践训练的启示。
本教程将从 90 年代早期的神经网络理论（包括著名的 hornik 等人的研究成果）开始，还有 Cybenko）。接下来，我们将讨论过去五年中为深度学习而建立的最新理论成果。本文还将讨论该理论所遵循的实际考虑。
首先放上该教程的在线地址：
http://auai.org/uai2019/tutorials.php#tutorial4
郑重声明：本文 PPT 解释权系原作者所有，本文分享仅供大家学习参考使用，切勿做其他用途。希望大家看完本文，能够对自己有所启发，并祝愿各位能做出突出研究。
原文 PDF 下载链接：
https://pan.baidu.com/s/1svoIanxcXx38fqNnQtr-7Q
提取码：kfmq
