Mathematics for ML
1.0.0
Une collection de ressources pour apprendre et revoir les mathématiques pour l'apprentissage automatique.
par Jean Gallier et Jocelyn Quaintance
Comprend des concepts mathématiques pour l'apprentissage automatique et l'informatique.
Livre: https://www.cis.upenn.edu/~jean/math-deep.pdf
par Ian Goodfellow et Yoshua Bengio et Aaron Courville
Cela inclut les bases mathématiques pour l'apprentissage en profondeur du livre d'apprentissage en profondeur.
Chapitre: https://www.deeplearningbook.org/contents/part_basics.html
par Marc Peter Deisenroth, A. Aldo Faisal et Cheng Soon Ong
C'est probablement l'endroit où vous voulez commencer. Commencez lentement et travaillez sur quelques exemples. Portez une attention particulière à la notation et soyez à l'aise avec elle.
Livre: https://mml-book.github.io
par Kevin Patrick Murphy
Ce livre contient un aperçu complet des méthodes classiques d'apprentissage automatique et des principes les expliquant.
Livre: https://probml.github.io/pml-book/book1.html
Par Brent Werness, Rachel Hu et al.
Cette référence contient des concepts mathématiques pour aider à renforcer une meilleure compréhension de l'apprentissage en profondeur.
Chapitre: https://d2l.ai/chapter_appendix-mathematics-fordeep-learning/index.html
par Benoit Liquet, Sarat Moka et Yoni Nazarathy
Ce livre offre un aperçu complet et concis de l'ingénierie mathématique de l'apprentissage en profondeur. En plus de l'aperçu des fondations d'apprentissage en profondeur, le traitement comprend des réseaux de neurones convolutionnels, des réseaux de neurones récurrents, des transformateurs, des réseaux adversaires génératifs, l'apprentissage du renforcement et plusieurs astuces du commerce. L'accent est mis sur la description mathématique de base des modèles, des algorithmes et des méthodes d'apprentissage en profondeur.
Livre: https://deeplearningmath.org
Par Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
Excellent livre en ligne couvrant les approches bayésiennes.
Livre: https://www.bayesrulesbook.com/index.html
par Terence Parr et Jeremy Howard
Dans l'apprentissage en profondeur, vous devez comprendre un tas d'opérations matricielles fondamentales. Si vous voulez plonger profondément dans le calcul matrice de matrice, c'est votre guide.
Papier: https://arxiv.org/abs/1802.01528
par Gitta Kutyniok
Un article résumant l'importance des mathématiques dans la recherche sur l'apprentissage en profondeur et comment il aide à faire progresser le domaine.
Papier: https://arxiv.org/pdf/2203.08890.pdf
par le Dr Sam Cooper et le Dr David Dye
La rétropropagation est un algorithme clé pour la formation de filets neuronaux profonds qui reposent sur le calcul. Familiez-vous avec des concepts comme la règle de la chaîne, le jacobien, la descente de dégradé.
Liste de lecture vidéo: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnqqmzimtw23
par le Dr Sam Cooper et le Dr David Dye
Un grand compagnon des conférences vidéo précédentes. Les réseaux de neurones effectuent des transformations sur les données et vous avez besoin d'algèbre linéaire pour obtenir de meilleures intuitions de la façon dont cela est fait.
Liste de lecture vidéo: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
par Anand Avati
Conférences contenant des explications mathématiques à de nombreux concepts de l'apprentissage automatique.
Cours: https://www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpUy0adh
par Jerome H. Friedman, Robert Tibshirani et Trevor Hastie
L'apprentissage automatique traite des données et à son tour l'incertitude, ce que les statistiques visent à enseigner. Soyez à l'aise avec des sujets tels que les estimateurs, la signification statistique, etc.
Livre: https://hastie.su.domains/elemstatlearn/
Si vous êtes intéressé par une introduction à l'apprentissage statistique, vous voudrez peut-être consulter "une introduction à l'apprentissage statistique".
par ET Jaynes
Dans l'apprentissage automatique, nous sommes intéressés à construire des modèles probabilistes et vous rencontrerez donc des concepts de la théorie des probabilités comme la probabilité conditionnelle et différentes distributions de probabilité.
Source: https://bayes.wustl.edu/etj/prob/book.pdf
par David JC Mackay
Lorsque vous appliquez l'apprentissage automatique, vous avez affaire au traitement de l'information qui repose en substance sur des idées de la théorie de l'information telles que l'entropie et la divergence KL, ...
Livre: https://www.inference.org.uk/itprnn/book.html
par Academy Khan
Un aperçu complet des statistiques et des probabilités nécessaires à l'apprentissage automatique.
Cours: https://www.khanacademy.org/math/statistics-probability
par Sheldon Axler
Diapositives et conférences vidéo sur le livre linéaire linéaire populaire algèbre linéaire bien faite.
Conférence et diapositives: https://linear.axler.net/ladrvideos.html
par Academy Khan
Les vecteurs, les matrices, les opérations sur eux, les produits DOT & Cross, la multiplication matricielle, etc. sont essentiels pour la compréhension la plus basique des mathématiques ML.
Cours: https://www.khanacademy.org/math/linear-algebra
par Academy Khan
Précalcule, calcul différentiel, calcul intégral, calcul multivarié
Cours: https://www.khanacademy.org/math/calculus-home
Cette collection est loin d'être exhaustive, mais elle devrait fournir une bonne base pour commencer à apprendre certains des concepts mathématiques utilisés dans l'apprentissage automatique. Contactez Twitter si vous avez des questions.
