Вот подборка книг, видео и документов, которые помогут вам начать.
Я всегда подчеркивал важность математики в машинном обучении. Вот подборка ресурсов (книг, видео и статей), которые помогут вам начать работу.
Это не исчерпывающий список, но я тщательно подготовил его, основываясь на моем опыте и наблюдениях.
Это репост моей ветки в Твиттере, который вы можете найти здесь. Я буду обновлять этот список по мере появления новых полезных ресурсов.
Математика для машинного обучения
Марк Питер Дайзенрот, А. Альдо Фейсал и Ченг Сун Онг
Источник: https://mml-book.github.io
Примечание: вероятно, это то место, с которого вы хотите начать. Начните медленно и работайте над некоторыми примерами. Обратите особое внимание на обозначения и освоитесь с ними.
Распознавание образов и машинное обучение
Кристофер Бишоп
Источник: https://www.microsoft.com/en-us/research/publication/pattern-recognition-machine-learning/
Примечание. Перед вышеприведенной книгой я рекомендовал эту книгу для ознакомления с математическими концепциями, используемыми в машинном обучении. На мой взгляд, очень солидная книга, и на нее часто ссылаются в академических кругах.
Элементы статистического обучения
Джером Х. Фридман, Роберт Тибширани и Тревор Хасти
Примечание: машинное обучение имеет дело с данными и, в свою очередь, с неопределенностью, чему учит статистика. Разберитесь в таких темах, как оценки, статистическая значимость и т. Д.
Теория вероятностей: логика науки
Э. Т. Джейнс
Источник: https://bayes.wustl.edu/etj/prob/book.pdf
Примечание. В машинном обучении мы заинтересованы в построении вероятностных моделей, поэтому вы столкнетесь с концепциями теории вероятностей, такими как условная вероятность и различные распределения вероятностей.
Многомерное исчисление, Имперский колледж Лондона
Д-р Сэм Купер и д-р Дэвид Дай
Плейлист видео: https://www.youtube.com/playlist?list=PLiiljHvN6z193BBzS0Ln8NnqQmzimTW23
Примечание: обратное распространение - ключевой алгоритм для обучения глубоких нейронных сетей, основанных на исчислении. Ознакомьтесь с такими понятиями, как цепное правило, якобиан, градиентный спуск.
Матричное исчисление, необходимое для глубокого обучения
Теренс Парр и Джереми Ховард
Источник: https://arxiv.org/abs/1802.01528
Примечание. В глубоком обучении вам необходимо понимать ряд фундаментальных матричных операций. Если вы хотите глубоко погрузиться в математику матричного исчисления, это ваше руководство.
Математика для машинного обучения - линейная алгебра
Д-р Сэм Купер и д-р Дэвид Дай
Плейлист видео: https://www.youtube.com/playlist?list=PLiiljHvN6z1_o1ztXTKWPrShrMrBLo5P3
Примечание: отличный компаньон для предыдущих видеолекций. Нейронные сети выполняют преобразования данных, и вам понадобится линейная алгебра, чтобы получить лучшую интуицию.
Теория информации, логические выводы и алгоритмы обучения
Дэвид Дж. К. Маккей
Примечание. Когда вы применяете машинное обучение, вы имеете дело с обработкой информации, которая, по сути, опирается на идеи теории информации, такие как энтропия и дивергенция KL,…
