Fragment książki — 30 stron
Kliknij stronę, żeby powiększyć. Całość możesz przeczytać online albo pobrać jako PDF. Fragment udostępniony przez wydawcę.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Opis
Uczenie maszynowe jest powszechnie stosowane w aplikacjach, jednak szczegóły związane z aspektami teoretycznymi bywają zaniedbywane. Często wynika to z braku swobody w posługiwaniu się matematyką. Tymczasem bez solidnych podstaw w tym zakresie nie można mówić o profesjonalnym podejściu do uczenia maszynowego.
Dzięki tej książce poznasz najważniejsze dziedziny matematyki algebrę liniową, rachunek różniczkowy i całkowy, a także teorię prawdopodobieństwa niezbędne do opanowania zaawansowanych koncepcji w uczeniu maszynowym. Poszczególne zagadnienia przedstawiono z wyjątkową przejrzystością i w uporządkowany sposób. W książce powiązano teorię z praktyką: koncepcje matematyczne zostały bezpośrednio zastosowane w przykładach z zakresu uczenia maszynowego, zaimplementowanych w Pythonie. Wiedza uzyskana w toku lektury będzie przydatna na przykład w trenowaniu modeli uczenia maszynowego metodą spadku gradientu czy w pracy z wektorami, macierzami i tablicami wielowymiarowymi.
W książce znajdziesz najważniejsze koncepcje i zasady z dziedziny:
- algebry liniowej, w tym macierze, wartości własne i rozkłady
- rachunku różniczkowego i całkowego, w tym różniczkowanie i całkowanie
- złożonych technik analizy wielu zmiennych
- teorii prawdopodobieństwa, w tym rozkłady, twierdzenie Bayesa i entropię
W każdej wiedzy jest tyle prawdy, ile jest w niej matematyki!
Immanuel Kant