Mathematics for ML
1.0.0
Kumpulan sumber daya untuk belajar dan meninjau matematika untuk pembelajaran mesin.
oleh Jean Galeri dan Jocelyn Quaintance
Termasuk konsep matematika untuk pembelajaran mesin dan ilmu komputer.
Buku: https://www.cis.upenn.edu/~jean/math-deep.pdf
Oleh Ian Goodfellow dan Yoshua Bengio dan Aaron Courville
Ini termasuk dasar -dasar matematika untuk pembelajaran mendalam dari buku pembelajaran yang mendalam.
Bab: https://www.deeplearningbook.org/contents/part_basics.html
Oleh Marc Peter Deisenroth, A. Aldo Faisal, dan Cheng Soon Ong
Ini mungkin tempat yang ingin Anda mulai. Mulailah perlahan dan kerjakan beberapa contoh. Perhatikan notasi dan merasa nyaman dengannya.
Buku: https://mml-book.github.io
oleh Kevin Patrick Murphy
Buku ini berisi tinjauan komprehensif tentang metode pembelajaran mesin klasik dan prinsip -prinsip yang menjelaskannya.
Buku: https://probml.github.io/pml-book/book1.html
Oleh Brent Werness, Rachel Hu et al.
Referensi ini berisi beberapa konsep matematika untuk membantu membangun pemahaman yang lebih baik tentang pembelajaran yang mendalam.
Bab: https://d2l.ai/chapter_applix-mathematics-for-deep-learning/index.html
Oleh Benoit Liquet, Sarat Moka dan Yoni Nazarathy
Buku ini memberikan gambaran lengkap dan ringkas tentang rekayasa matematika pembelajaran mendalam. Selain ikhtisar dasar pembelajaran yang mendalam, perawatan ini mencakup jaringan saraf konvolusional, jaringan saraf berulang, transformator, jaringan permusuhan generatif, pembelajaran penguatan, dan berbagai trik perdagangan. Fokusnya adalah pada deskripsi matematika dasar tentang model pembelajaran, algoritma, dan metode yang mendalam.
BUKU: https://deeplearningmath.org
Oleh Alicia A. Johnson, Miles Q. Ott, Tambang Dogucu
Buku online yang bagus yang mencakup pendekatan Bayesian.
Buku: https://www.bayesrulesbook.com/index.html
oleh Terence Parr & Jeremy Howard
Dalam pembelajaran mendalam, Anda perlu memahami banyak operasi matriks mendasar. Jika Anda ingin menyelam jauh ke dalam matriks kalkulus matriks, ini adalah panduan Anda.
Kertas: https://arxiv.org/abs/1802.01528
Oleh Gitta Kutyniok
Sebuah artikel yang merangkum pentingnya matematika dalam penelitian pembelajaran mendalam dan bagaimana hal itu membantu memajukan lapangan.
Kertas: https://arxiv.org/pdf/2203.08890.pdf
Oleh Dr. Sam Cooper & Dr. David Dye
Backpropagation adalah algoritma utama untuk melatih jaring saraf dalam yang bergantung pada kalkulus. Kenali konsep seperti aturan rantai, Jacobian, keturunan gradien.
Daftar Putar Video: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnnqqmzimtw23
Oleh Dr. Sam Cooper & Dr. David Dye
Teman yang hebat untuk kuliah video sebelumnya. Jaringan saraf melakukan transformasi pada data dan Anda memerlukan aljabar linier untuk mendapatkan intuisi yang lebih baik tentang bagaimana hal itu dilakukan.
Daftar Putar Video: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
oleh Anand Avati
Kuliah yang mengandung penjelasan matematika untuk banyak konsep dalam pembelajaran mesin.
Kursus: https://www.youtube.com/playlist?list=Ploromvodv4rnh7ql6-efu_q2_bpuy0adh
Oleh Jerome H. Friedman, Robert Tibshirani, dan Trevor Hastie
Pembelajaran mesin berkaitan dengan data dan pada gilirannya ketidakpastian yang merupakan statistik yang ingin diajarkan. Merasa nyaman dengan topik seperti estimator, signifikansi statistik, dll.
Buku: https://hastie.su.domains/elemstatlearn/
Jika Anda tertarik pada pengantar pembelajaran statistik, maka Anda mungkin ingin memeriksa "Pengantar Pembelajaran Statistik".
oleh et Jaynes
Dalam pembelajaran mesin, kami tertarik untuk membangun model probabilistik dan dengan demikian Anda akan menemukan konsep dari teori probabilitas seperti probabilitas bersyarat dan distribusi probabilitas yang berbeda.
Sumber: https://bayes.wustl.edu/etj/prob/book.pdf
Oleh David JC Mackay
Saat Anda menerapkan pembelajaran mesin, Anda berurusan dengan pemrosesan informasi yang pada dasarnya bergantung pada ide -ide dari teori informasi seperti entropi dan divergensi KL, ...
Buku: https://www.inference.org.uk/itprnn/book.html
oleh Khan Academy
Tinjauan lengkap statistik dan probabilitas yang diperlukan untuk pembelajaran mesin.
Kursus: https://www.khanacademy.org/math/statistics-probability
oleh Sheldon Axler
Slide dan video kuliah tentang aljabar linear aljabar linear linear yang populer dilakukan dengan benar.
Kuliah dan Slide: https://linear.axler.net/ladrvideos.html
oleh Khan Academy
Vektor, matriks, operasi pada mereka, produk DOT & Cross, multiplikasi matriks dll. Sangat penting untuk pemahaman paling mendasar tentang matematika ML.
Kursus: https://www.khanacademy.org/math/linear-algebra
oleh Khan Academy
Prekalkulus, kalkulus diferensial, kalkulus integral, kalkulus multivariat
Kursus: https://www.khanacademy.org/math/calculus-home
Koleksi ini jauh dari lengkap tetapi harus memberikan fondasi yang baik untuk mulai mempelajari beberapa konsep matematika yang digunakan dalam pembelajaran mesin. Jangkau di Twitter jika Anda memiliki pertanyaan.
