Математика в машинном обучении | Дайзенрот Марк Питер, Фейзал А. Альдо

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.

5 причин прочитать эту книгу:

• Это не классическая книга по машинному обучению, а математический бэкграунд, применимый для решения четырех центральных задач МО.
• Вы получите математическую базу, необходимую для понимания того, как работают различные алгоритмы, что позволит лучше оценивать их преимущества и ограничения.
• Вы будете правильно выбирать и использовать инструменты для анализа и интерпретации результатов машинного обучения.
• Фундаментальные математические знания, разбросанные по разным книгам и курсам, объединены вместе. Вы сможете сразу получить весь комплекс необходимой информации!
• Научным редактором русскоязычного перевода книги был профессиональный математик.