Mathematics for ML
1.0.0
Una colección de recursos para aprender y revisar las matemáticas para el aprendizaje automático.
por Jean Gallier y Jocelyn Quaintance
Incluye conceptos matemáticos para el aprendizaje automático y las ciencias de la computación.
Libro: https://www.cis.upenn.edu/~jean/mathdeep.pdf
por Ian Goodfellow y Yoshua Bengio y Aaron Courville
Esto incluye los conceptos básicos de matemáticas para el aprendizaje profundo del libro de aprendizaje profundo.
Capítulo: https://www.deeplearningbook.org/contents/part_basics.html
por Marc Peter Deisenroth, A. Aldo Faisal y Cheng Soon Ong
Este es probablemente el lugar donde desea comenzar. Comience lentamente y trabaje en algunos ejemplos. Presta mucha atención a la notación y siéntete cómodo con ella.
Libro: https://mml-book.github.io
por Kevin Patrick Murphy
Este libro contiene una descripción completa de los métodos de aprendizaje automático clásico y los principios que los explican.
Libro: https://probml.github.io/pml-book/book1.html
Por Brent Werness, Rachel Hu et al.
Esta referencia contiene algunos conceptos matemáticos para ayudar a construir una mejor comprensión del aprendizaje profundo.
Capítulo: https://d2l.ai/chapter_appendix-mathematics-fordeep-letarning/index.html
por Benoit Liquet, Sarat Moka y Yoni Nazarathy
Este libro proporciona una visión general completa y concisa de la ingeniería matemática del aprendizaje profundo. Además de una descripción general de las bases del aprendizaje profundo, el tratamiento incluye redes neuronales convolucionales, redes neuronales recurrentes, transformadores, redes adversas generativas, aprendizaje de refuerzo y múltiples trucos del comercio. La atención se centra en la descripción matemática básica de los modelos de aprendizaje profundo, los algoritmos y los métodos.
Libro: https://deeplearningmath.org
Por Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
Excelente libro en línea que cubre los enfoques bayesianos.
Libro: https://www.bayesrulesbook.com/index.html
por Terence Parr y Jeremy Howard
En el aprendizaje profundo, debe comprender un montón de operaciones fundamentales de matriz. Si desea sumergirse profundamente en el cálculo de matemáticas de matriz, esta es su guía.
Documento: https://arxiv.org/abs/1802.01528
por Gitta Kutyniok
Un artículo que resume la importancia de las matemáticas en la investigación de aprendizaje profundo y cómo está ayudando a avanzar en el campo.
Documento: https://arxiv.org/pdf/2203.08890.pdf
por el Dr. Sam Cooper y el Dr. David Dye
Backpropagation es un algoritmo clave para entrenar redes neuronales profundas que dependen del cálculo. Familiarícese con conceptos como la regla de la cadena, jacobiano, descenso de gradiente.
Lista de reproducción de video: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnqqmzimtw23
por el Dr. Sam Cooper y el Dr. David Dye
Un gran compañero de las conferencias de video anteriores. Las redes neuronales realizan transformaciones en los datos y necesita álgebra lineal para obtener mejores intuiciones de cómo se hace.
Lista de reproducción de video: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
por Anand Avati
Conferencias que contienen explicaciones matemáticas para muchos conceptos en el aprendizaje automático.
Curso: https://www.youtube.com/playlist?list=ploromVodv4rnh7ql6-efu_q2_bpuy0adh
por Jerome H. Friedman, Robert Tibshirani y Trevor Hastie
El aprendizaje automático se ocupa de los datos y, a su vez, la incertidumbre, que es lo que las estadísticas tienen como objetivo enseñar. Póngase cómodo con temas como estimadores, significación estadística, etc.
Libro: https://hastie.su.domains/elemstatlearn/
Si está interesado en una introducción al aprendizaje estadístico, es posible que desee consultar "una introducción al aprendizaje estadístico".
por et jaynes
En el aprendizaje automático, estamos interesados en construir modelos probabilísticos y, por lo tanto, encontrará conceptos de la teoría de la probabilidad como la probabilidad condicional y diferentes distribuciones de probabilidad.
Fuente: https://bayes.wustl.edu/etj/prob/book.pdf
por David JC Mackay
Cuando aplica el aprendizaje automático, está tratando con el procesamiento de la información que, en esencia, se basa en ideas de la teoría de la información, como entropía y divergencia de KL, ...
Libro: https://www.inference.org.uk/itprnn/book.html
por Khan Academy
Una descripción completa de las estadísticas y la probabilidad requerida para el aprendizaje automático.
Curso: https://www.khanacademy.org/math/statistics-probability
por Sheldon Axler
Diapositivas y video conferencias sobre el popular álgebra lineal álgebra lineal álgebra bien.
Conferencia y diapositivas: https://linear.axler.net/ladrvideos.html
por Khan Academy
Los vectores, matrices, operaciones en ellos, producto DOT y cruz, multiplicación de matriz, etc. es esencial para la comprensión más básica de las matemáticas de ML.
Curso: https://www.khanacademy.org/math/linear-algebra
por Khan Academy
Precálculo, cálculo diferencial, cálculo integral, cálculo multivariado
Curso: https://www.khanacademy.org/math/calculus-home
Esta colección está lejos de ser exhaustiva, pero debería proporcionar una buena base para comenzar a aprender algunos de los conceptos matemáticos utilizados en el aprendizaje automático. Comuníquese en Twitter si tiene alguna pregunta.
