Mathematics for ML
1.0.0
Eine Sammlung von Ressourcen zum Erlernen und Überprüfen der Mathematik für maschinelles Lernen.
von Jean Gallier und Jocelyn Presentance
Enthält mathematische Konzepte für maschinelles Lernen und Informatik.
Buch: https://www.cis.upenn.edu/~jean/math-deep.pdf
von Ian Goodfellow und Yoshua Bengio und Aaron Courville
Dies schließt die Mathematik -Grundlagen für Deep Learning aus dem Deep -Learning -Buch ein.
Kapitel: https://www.deeplearningbook.org/contents/part_basics.html
von Marc Peter Deisenroth, A. Aldo Faisal und Cheng bald ong
Dies ist wahrscheinlich der Ort, an dem Sie anfangen möchten. Beginnen Sie langsam und arbeiten Sie an einigen Beispielen. Achten Sie genau auf die Notation und lassen Sie sich damit vertraut.
Buch: https://mml-book.github.io
von Kevin Patrick Murphy
Dieses Buch enthält einen umfassenden Überblick über das klassische maschinelle Lernmethoden und die ihnen erklären Prinzipien.
Buch: https://probml.github.io/pml-book/book1.html
Von Brent Weress haben Rachel Hu et al.
Diese Referenz enthält einige mathematische Konzepte, um ein besseres Verständnis für tiefes Lernen aufzubauen.
Kapitel: https://d2l.ai/chapter_Appendix-mathematics-for-peep-learning/index.html
Von Benoit Liquet, Sarat Moka und Yoni Nazarathy
Dieses Buch bietet einen vollständigen und prägnanten Überblick über die mathematische Technik des Deep Learning. Zusätzlich zur Übersicht über Deep -Learning -Fundamente umfasst die Behandlung Faltungsnetzwerke, wiederkehrende neuronale Netzwerke, Transformatoren, generative kontroverse Netzwerke, Verstärkungslernen und mehrere Tricks des Handels. Der Fokus liegt auf der grundlegenden mathematischen Beschreibung von Deep -Learning -Modellen, Algorithmen und Methoden.
Buch: https://deeplearningmath.org
von Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
Tolles Online -Buch Covering Bayes'sche Ansätze.
Buch: https://www.bayesRulesbook.com/index.html
von Terence Parr & Jeremy Howard
Im Deep Learning müssen Sie eine Reihe grundlegender Matrixoperationen verstehen. Wenn Sie tief in die Mathematik des Matrix -Kalküls eintauchen möchten, ist dies Ihr Leitfaden.
Papier: https://arxiv.org/abs/1802.01528
von Gitta Kutyniok
Ein Artikel, der die Bedeutung der Mathematik in der Deep -Learning -Forschung zusammenfasst und wie er dazu beiträgt, das Gebiet voranzutreiben.
Papier: https://arxiv.org/pdf/2203.08890.pdf
von Dr. Sam Cooper und Dr. David Dye
Backpropagation ist ein wichtiger Algorithmus für die Ausbildung von tiefen neuronalen Netzen, die auf Kalkül beruht. Machen Sie sich mit Konzepten wie Chain Rule, Jacobian, Gradientenabstieg vertraut.
Video -Playlist: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0lnnnnqqmzimtw23
von Dr. Sam Cooper und Dr. David Dye
Ein großartiger Begleiter der vorherigen Videovorträge. Neuronale Netze führen Transformationen für Daten durch und Sie benötigen lineare Algebra, um bessere Intuitionen dafür zu erhalten, wie dies getan wird.
Video -Playlist: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtKwprshrmrblo5p3
von Anand Avati
Vorträge mit mathematischen Erklärungen zu vielen Konzepten im maschinellen Lernen.
Kurs: https://www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
von Jerome H. Friedman, Robert Tibshirani und Trevor Hastie
Maschinelles Lernen befasst sich mit Daten und die Unsicherheit, was Statistiken unterrichten sollen. Machen Sie sich mit Themen wie Schätzern, statistischer Signifikanz usw. vertraut.
Buch: https://hastie.su.domains/elemstatlearn/
Wenn Sie an einer Einführung in statistisches Lernen interessiert sind, sollten Sie sich "eine Einführung in statistisches Lernen" ansehen.
von et jaynes
Im maschinellen Lernen sind wir daran interessiert, probabilistische Modelle aufzubauen, und Sie werden daher auf Konzepte aus der Wahrscheinlichkeitstheorie wie bedingte Wahrscheinlichkeit und unterschiedliche Wahrscheinlichkeitsverteilungen stoßen.
Quelle: https://bayes.wustl.edu/etj/prob/book.pdf
von David JC Mackay
Wenn Sie maschinelles Lernen anwenden, beschäftigen Sie sich mit der Informationsverarbeitung, die im Wesentlichen auf Ideen aus der Informationstheorie wie Entropie und KL -Divergenz, ...
Buch: https://www.inference.org.uk/itprnn/book.html
von der Khan Academy
Ein vollständiger Überblick über Statistiken und Wahrscheinlichkeiten, die für maschinelles Lernen erforderlich sind.
Kurs: https://www.khanacademy.org/math/Statistics-Probability
von Sheldon Axler
Folien und Videovorträge zum beliebten linearen Algebra -Buch linearer Algebra.
Vorlesung und Folien: https://linear.axler.net/ladrvideos.html
von der Khan Academy
Vektoren, Matrizen, Operationen, DOT & Cross -Produkt, Matrix -Multiplikation usw. sind für das grundlegendste Verständnis von ML -Mathematik unerlässlich.
Kurs: https://www.khanacademy.org/math/linear-algebra
von der Khan Academy
Precalculus, Differentialkalkül, Integralkalkül, multivariates Kalkül
Kurs: https://www.khanacademy.org/math/calculus-home
Diese Sammlung ist alles andere als ausführlich, sollte jedoch eine gute Grundlage für das Erlernen einiger der mathematischen Konzepte im maschinellen Lernen bieten. Geben Sie auf Twitter, wenn Sie Fragen haben.
