Mathematics for ML
1.0.0
機械学習のための数学を学び、レビューするためのリソースのコレクション。
ジャン・ガリエとジョセリンの趣のある
機械学習とコンピューターサイエンスの数学的概念が含まれています。
本：https：//www.cis.upenn.edu/~jean/math-deep.pdf
Ian GoodfellowとYoshua BengioとAaron Courvilleによる
これには、ディープラーニングブックからの深い学習のための数学の基本が含まれます。
章：https：//www.deeplearningbook.org/contents/part_basics.html
マーク・ピーター・デイゼンロス、A。アルド・ファイサル、そしてチェンすぐにong
これはおそらくあなたが始めたい場所です。ゆっくりと始めて、いくつかの例に取り組みます。表記に細心の注意を払い、それに慣れてください。
本：https：//mml-book.github.io
ケビン・パトリック・マーフィー
この本には、古典的な機械学習方法とそれらを説明する原則の包括的な概要が含まれています。
本：https：//probml.github.io/pml-book/book1.html
Brent Werness、Rachel Hu et al。
このリファレンスには、深い学習のより良い理解を構築するのに役立ついくつかの数学的概念が含まれています。
章：https：//d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
ブノワ・リキェット、サラト・モカ、ヨニ・ナザラシー
この本は、深い学習の数学工学の完全かつ簡潔な概要を提供します。深い学習基盤の概要に加えて、この治療には、畳み込みニューラルネットワーク、再発性ニューラルネットワーク、変圧器、生成的敵対的ネットワーク、強化学習、および貿易の複数のトリックが含まれます。焦点は、深い学習モデル、アルゴリズム、および方法の基本的な数学的説明にあります。
本：https：//deeplearningmath.org
Alicia A. Johnson、Miles Q. Ott、Mine Dogucu
ベイジアンアプローチをカバーする素晴らしいオンラインブック。
本：https：//www.bayesrulesbook.com/index.html
Terence Parr＆Jeremy Howardによる
深い学習では、基本的なマトリックス操作の束を理解する必要があります。マトリックス計算の数学に深く潜りたい場合は、これがあなたのガイドです。
論文：https：//arxiv.org/abs/1802.01528
Gitta Kutyniokによる
深い学習研究における数学の重要性と、それがどのように分野を前進させるのに役立つかを要約する記事。
論文：https：//arxiv.org/pdf/2203.08890.pdf
サム・クーパー博士とデビッド・ダイ博士
BackPropagationは、計算に依存する深い神経ネットをトレーニングするための重要なアルゴリズムです。チェーンルール、ヤコビアン、グラデーション降下などの概念に精通してください。
ビデオプレイリスト：https：//www.youtube.com/playlist?list=pliiljhvn6z193bzs0ln8nnqqmzimtw23
サム・クーパー博士とデビッド・ダイ博士
以前のビデオ講義の素晴らしい仲間。ニューラルネットワークはデータ上で変換を実行し、それがどのように行われるかについてより良い直観を得るために線形代数が必要です。
ビデオプレイリスト：https：//www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
アナンド・アバティによって
機械学習における多くの概念に対する数学的説明を含む講義。
コース：https：//www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
ジェローム・H・フリードマン、ロバート・ティブシラニ、トレバー・ヘイシーティー
機械学習は、データを扱い、統計が教えることを目指しているものである不確実性を扱っています。推定器、統計的有意性などのトピックに慣れてください。
本：https：//hastie.su.domains/elemstatlearn/
統計学習の紹介に興味がある場合は、「統計学習の紹介」をチェックすることをお勧めします。
Et Jaynesによる
機械学習では、確率論的モデルの構築に関心があるため、条件付き確率や異なる確率分布などの確率理論から概念に出くわします。
出典：https：//bayes.wustl.edu/etj/prob/book.pdf
David JC Mackayによる
機械学習を適用しているとき、あなたは本質的にエントロピーやKL発散などの情報理論からのアイデアに依存している情報処理を扱っています...
本：https：//www.inference.org.uk/itprnn/book.html
カーンアカデミーによる
機械学習に必要な統計と確率の完全な概要。
コース：https：//www.khanacademy.org/math/statistics-probability
シェルドン・アクスラー
人気のある線形代数の本のリニア代数に関するスライドとビデオの講義が正しく行われます。
講義とスライド：https：//linear.axler.net/ladrvideos.html
カーンアカデミー
ベクター、マトリックス、それらの操作、ドット＆クロス製品、マトリックス乗算などは、ML数学の最も基本的な理解に不可欠です。
コース：https：//www.khanacademy.org/math/linear-algebra
カーンアカデミー
事前酸、微分計算、積分計算、多変量計算
コース：https：//www.khanacademy.org/math/calculus-home
このコレクションは網羅的ではありませんが、機械学習で使用される数学的概念のいくつかを学習し始めるための優れた基盤を提供するはずです。ご質問がある場合は、Twitterでご連絡ください。
