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»
- 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)
- Leonardo De Marchi – Hands-On Neural Networks
- Maxime Labonne – Hands-On Graph Neural Networks Using Python
- 80 Ways to use ChatGPT in the classroom
- Андреас Мюллер – Введение в машинное обучение с помощью Python
- Андрей Бурков – Инженерия машинного обучения. Машинное обучение без лишних слов
- Анирад Коул – Искусственный интеллект и компьютерное зрение
- Бенджамин Бенгфорт – Прикладной анализ текстовых данных на Python
- Глубокое обучение в биологии и медицине
- Паттерны проектирования API
- Python для сложных задач
- Глубокое обучение с Fastai и PyTorch
Рекомендуем также
- S. Paul – Clinical Cases in Skin Cancer Surgery and Treatment (2016)
- Y. Sakai – Laparoscopic Surgery for Colorectal Cancer (2016)
- V. Stearns – Novel Biomarkers in the Continuum of Breast Cancer (2016)
- A. Mathur – Nanotechnology in Cancer (2017)
- P. Rennert – Novel Immunotherapeutic Approaches to the Treatment of Cancer
- M. Baranska – Optical Spectroscopy and Computational Methods in Biology and Medicine (2014)
- A. Bondanza – Tumor Immunology (2016)
- H. Seligmann – DNA Replication. Current Advances (2016)
Отзывы
Отзывов пока нет.