Математика в машинном обучении
1.500 ₽
Автор: Марк Питер Дайзенрот
Название: Математика в машинном обучении
Формат: PDF
Тема: Машинное обучение
Количество страниц: 512
Качество: Компьютерное, издательское
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
Описание
«Математика в машинном обучении» — книга, которая помогает понять фундаментальные математические концепции, лежащие в основе современных алгоритмов ИИ. Автор объясняет, как работают линейная алгебра, математический анализ, теория вероятностей и статистика в контексте реальных задач машинного обучения.
Издание последовательно раскрывает, почему нейронные сети обучаются именно так, как именно матрицы и векторы ускоряют вычисления, как градиентный спуск минимизирует ошибку и какую роль играет байесовский подход в оценке неопределённости. Без лишней теории — только те разделы математики, которые действительно нужны дата-сайентисту каждый день.
- студентам и начинающим специалистам в области Data Science и Machine Learning
- разработчикам, которые хотят глубже понимать, а не просто запускать готовые библиотеки
- аналитикам, желающим перейти из классической аналитики в машинное обучение
- всем, кому важно не просто применять модели, но и понимать их внутреннюю логику
Только зарегистрированные клиенты, купившие данный товар, могут публиковать отзывы.
Похожие
Другие книги раздела «Веб-дизайн и программирование»
- Yves Hilpisch – Python for Finance (2015)
- М. Лутц – Изучаем Python (4 издание) + Программирование на Python (2011, 3 Тома)
- М. Цехнер – Программирование игр для Android (2013)
- П. Дейтел – Android для программистов
- Antonio Lopez – Learning PHP 7
- B. Bibeault – jQuery in Action (3rd Edition, 2015)
- С. Макконнелл – Совершенный код
- Э. Таненбаум – Архитектура компьютера + Компьютерные сети + Современные операционные системы (3 Книги)
- П. Дюбуа – MySQL. Сборник рецептов (2007)
- С. Алапати – Oracle Database 11g. Руководство администратора баз данных (2010)
- M. Michaelis – Essential C# 6.0 (2016)
- John Zelle – Python Programming (2017)
- Soonhoi Ha – Handbook of Hardware Software Codesign (2017)
- С. Ржевский – Математическое программирование (2022)
- Giuseppe Ciaburro – Neural Networks with R
- Igor Livshin – Artificial Neural Networks with Java (Second edition)
Рекомендуем также
- В. Большаков, С. Иконникова – Теория культуры (2008)
- А. Шерель – Радиожурналистика
- Наталья Сокольникова – Основы композиции для учащихся 5-8 класс
- M. Lee – Body Dress and Identity in Ancient Greece (2015)
- Robert Langdon – Understanding Cosmetic Laser Surgery
- Dieter Schmidt – Tipps und Tricks fur den Augenarzt (Немецкий язык)
- E. Miserocchi – New Treatments in Noninfectious Uveitis
- Gregg T. Lueder – Pediatric Practice Ophthalmology
Отзывы
Отзывов пока нет.