Самое сложное, или я бы сказал самые популярные ключевые слова в Интернете. Математика - это сердце машинного обучения и нейронных сетей. Математика сообщает нам прогнозы по вероятности, статистику данных по статистике и визуализацию по матрице. Не секрет, что математика является основой машинного обучения и жизненно важна для вашего понимания основ этой области. Чтобы добиться успеха в качестве практикующего специалиста по машинному обучению, необходимо знание применимых математических основ. Куда вы можете обратиться, чтобы освежить свои знания в области машинного обучения или улучшить свое понимание, расширив эту базу?
Математика для машинного обучения - это книга, которую в настоящее время разрабатывают Марк Питер Дайзенрот, Альдо Фейсал и Ченг Сун Онг, чтобы мотивировать людей изучать математические концепции, и которая должна быть издана Кембриджем. University Press. По словам авторов, цель текста - дать необходимые математические навыки для последующего чтения книг по более сложным темам машинного обучения.
Прямо со страниц книги:
Несмотря на то, что машинное обучение имеет много историй успеха, и программное обеспечение легко доступно для разработки и обучения многофункциональных и гибких систем машинного обучения, мы считаем, что математические основы машинного обучения важны для понимания фундаментальных принципов, на которых строятся более сложные машины. системы обучения построены. Понимание этих принципов может облегчить создание новых решений для машинного обучения, понимание и отладку существующих подходов, а также изучение внутренних допущений и ограничений методологий, с которыми мы работаем.
Математика для машинного обучения разделена на две части:
- Математические основы
- Примеры алгоритмов машинного обучения, использующих математические основы
Оглавление разбито следующим образом:
Часть I. Математические основы
- Введение и мотивация
- Линейная алгебра
- Аналитическая геометрия
- Матричные разложения
- Векторное исчисление
- Вероятность и распределение
- Непрерывная оптимизация
Часть II. Основные проблемы машинного обучения
- Когда модели встречаются с данными
- Линейная регрессия
- Снижение размерности с помощью анализа главных компонентов
- Оценка плотности с помощью моделей гауссовой смеси
- Классификация с машинами опорных векторов
Как видно, первая часть книги посвящена чисто математическим концепциям, вообще не касаясь машинного обучения. Вторая часть обращает внимание на применение этих новых математических навыков к задачам машинного обучения. В зависимости от ваших желаний, вы можете использовать нисходящий или восходящий подход к обучению как машинному обучению, так и лежащей в его основе математике, или выбрать одну часть другой, на которой нужно сосредоточиться.
Вы можете скачать книгу в формате PDF здесь. Хотя книга должна быть опубликована где-то в этом году, авторы продолжат предоставлять бесплатно загружаемый PDF-файл книги после публикации.
Цель состоит в том, чтобы предоставить короткую, лаконичную книгу, которая затем была бы дополнена упражнениями и записными книжками Jupyter. Чтобы узнать больше, вы можете найти сопутствующий веб-сайт здесь.
Остальные книги по математике для машинного обучения находятся по ссылке.
Обеспокоены, стоит ли книга вашего времени? Не верьте мне на слово; Посмотрите, что говорят эти сильные нападающие:
«В этой книге подробно описаны все основные математические концепции машинного обучения. Я с нетерпением жду возможности поделиться им со студентами, коллегами и всеми, кто заинтересован в глубоком понимании основ ».
- Джоэл Пино, Университет Макгилла и Facebook
«За последние годы сфера машинного обучения резко выросла, и спектр успешных приложений становится все более впечатляющим. Этот исчерпывающий текст охватывает ключевые математические концепции, лежащие в основе современного машинного обучения, с упором на линейную алгебру, исчисление и теорию вероятностей. Он окажется ценным как учебное пособие для новичков в этой области, так и справочное пособие для исследователей и инженеров машинного обучения ».
- Кристофер Бишоп, Microsoft Research Cambridge
«Эта книга представляет собой прекрасное изложение математики, лежащей в основе современного машинного обучения. Настоятельно рекомендуется всем, кто хочет получить универсальный доступ к основам машинного обучения ».
- Питер Аббель, Калифорнийский университет, Беркли
