tsurijin · 29-Сен-23 21:10(1 год 1 месяц назад, ред. 29-Сен-23 21:13)
Математика в машинном обучении Год издания: 2024 Автор: Дайзенрот Марк Питер, Альдо Фейзал А., Чен Сунь Он Переводчик: Черников С. Издательство: Питер ISBN: 978-5-4461-1788-8 Серия: Для профессионалов Язык: Русский Формат: PDF Качество: Издательский макет или текст (eBook) Интерактивное оглавление: Да Количество страниц: 512 Описание: Фундаментальные математические дисциплины, необходимые для понимания машинного обучения, — это линейная алгебра, аналитическая геометрия, векторный анализ, оптимизация, теория вероятностей и статистика. Традиционно все эти темы размазаны по различным курсам, поэтому студентам, изучающим data science или computer science, а также профессионалам в МО, сложно выстроить знания в единую концепцию.
Эта книга самодостаточна: читатель знакомится с базовыми математическими концепциями, а затем переходит к четырем основным методам МО: линейной регрессии, методу главных компонент, гауссову моделированию и методу опорных векторов.
Тем, кто только начинает изучать математику, такой подход поможет развить интуицию и получить практический опыт в применении математических знаний, а для читателей с базовым математическим образованием книга послужит отправной точкой для более продвинутого знакомства с машинным обучением.
Примеры страниц
Оглавление
Математика в машинном обучении...............................................................15
Условные обозначения................................................................................17
Предисловие..............................................................................................20
Благодарности...........................................................................................24
ЧАСТЬ I
Математические основы
Глава 1. Введение и мотивация...................................................................28
Глава 2. Линейная алгебра.........................................................................35
Глава 3. Аналитическая геометрия..............................................................100
Глава 4. Матричные разложения.................................................................134
Глава 5. Векторный анализ.........................................................................185
Глава 6. Вероятность и распределения........................................................225
Глава 7. Непрерывная оптимизация.............................................................287
ЧАСТЬ II
Главные задачи машинного обучения
Глава 8. О сочетании модели и данных........................................................318
Глава 9. Линейная регрессия......................................................................366
Глава 10. Снижение размерности с помощью анализа главных компонент......400
Глава 11. Оценка плотности с помощью моделей гауссовой смеси..................438
Глава 12. Классификация методом опорных векторов...................................464
Библиография............................................................................................492
MarcusJ
целая статья у вас! ох, спасибо большое от меня, и думаю от кучи людей, кто заглянет в ваш комментарий. Что касается самой книги... скорей всего она офигенная, но нужен хороший багаж. Как и почти все авторы хороших книг - он очень длинно пишет всякие вступления, но как дело касается формул, то сразу не понятно откуда что взялось и как что следует. Да, я согласен, что я не профи, но хорошо хоть когда есть шанс что-то понять, или ссылки где искать. Я прочитал уже на mathprofi про матрицы все, но вот завис уже несколько дней на странице 48 , (2.41) и не могу понять откуда это взялось и что с этим делать.... а если это 48 страница из..эм.. 500.. есть ли смысл читать дальше, не ясно
amebow
Это часто так, что-то понятно и просто, что-то, читая, хочется сказать, воу, воу, автор, помедленнее. Значит нужно искать в других источниках, где рассказывают о непонятном моменте.
Если непонятны формулы или обозначения в них, то просто читать более базовый материал, где про это рассказывают и после понимания возвращаться к книге. Такими периодическими шажками в сторону и назад закрываете пробелы в понимании (и записи делать, тк будет забываться). Часто формула это из какой-то теоремы, например, обычно просто упоминают этот момент не разбирая её.
Так что читать смысл есть конечно. Но это же не худ. литература, тут нормально не понимать, сидеть разбираться, иногда часами над каким-то пунктом. К тому же это не единственная книга, поэтому отступать от нее, читать другие это нормально.
Единственный минус, это что спросить не у кого и приходится изучать самому, разбирая вопрос с разных сторон. Я, например, начинаю искать статьи, книги, видео о непонятном моменте, перебирая инфу. Разные люди по своему рассказывают и акценты разные, этакий поиск своего пути и решения. На 48 странице Ру версии п. 2.3.1, а не п. 2.4.1.
В примере на 48 стр., там про систему лин. уравнений. Это конец школы, наверное.
Вот тут (это 0 лекция курса по ML от МФТИ, что выше писал), идет с самых азов линала, там в примерах будет про лин. уравнения, но детально разбирать не будут, пропустят:) Слайды можно скачать и там посмотреть, они подробные. И решать системы лин уравнений будут. Здесь и обозначения можно понять. https://www.youtube.com/watch?v=vKfdtHnXVEY&list=PLJR10EXrBaAv2vPy05qesewHv9JFc8ZjM
В плейлисте, что выше, про Вспомнить математику, то же самое, но для другого курса (там 3 лекция пропущена, от нее только вебинар). Если вопрос по 58 стр., про группы и векторные пространства. Это точно разбирают в том 2ч видео, что выше давал ссылку. PS. Добавил еще ссылок в пост выше по ML и базу по линалу на анг. (там есть про SLE).
MarcusJ
О только заметил, спасибо друг, взял под козырёк. Машинным обучением заниматься уже поздно, возраст не тот, но матан немного подтянуть не мешало и основы понять.
85276373кто в теме, дайте пожалуйста 2-3 хорошие книги или курс для старта
PPS. Держитесь подальше от распиаренных курсов и блогеров. Деньги выгоднее вложить в покупку бумажных книг (новые, б\у) или хорошей читалки для электронных (10" Onyx, например).
Курс от яндекса по математике для машинного обучения очень не плох, своих 30к стоит.
