Mathematics for ML
1.0.0
Коллекция ресурсов для изучения и просмотра математики для машинного обучения.
Жан Галлиер и Джоселин Quaintance
Включает математические концепции для машинного обучения и информатики.
Книга: https://www.cis.upenn.edu/~jean/math-deep.pdf
Ян Гудфеллоу и Йошуа Бенгио и Аарон Курвилль
Это включает в себя основы математики для глубокого обучения из книги глубокого обучения.
Глава: https://www.deeplearningbook.org/contents/part_basics.html
Марк Питер Дейзенрот, А. Альдо Фейсал и Ченг скоро Онг
Вероятно, это место, которое вы хотите начать. Начните медленно и работайте над некоторыми примерами. Обратите пристальное внимание на обозначения и освоитесь с ним.
Книга: https://mml-book.github.io
Кевин Патрик Мерфи
Эта книга содержит всеобъемлющий обзор методов классического машинного обучения и принципов, объясняющих их.
Книга: https://probml.github.io/pml-book/book1.html
Брент Вернес, Рэйчел Ху и соавт.
Эта ссылка содержит некоторые математические концепции, чтобы помочь построить лучшее понимание глубокого обучения.
Глава: https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
Benoit Liquet, Sarat Moka и Yoni Nazarathy
Эта книга содержит полный и краткий обзор математической инженерии глубокого обучения. В дополнение к обзору фондов глубокого обучения, лечение включает в себя сверточные нейронные сети, рецидивирующие нейронные сети, трансформаторы, генеративные состязательные сети, обучение подкреплению и множество хитростей торговли. Основное внимание уделяется основному математическому описанию моделей глубокого обучения, алгоритмов и методов.
Книга: https://deeplearningmath.org
Алисия А. Джонсон, Майлз К. Отт, шахта Dogucu
Отличная онлайн -книга, охватывающая байесовские подходы.
Книга: https://www.bayesrulesbook.com/index.html
Теренс Парр и Джереми Ховард
В глубоком обучении вам нужно понять кучу фундаментальных операций матрицы. Если вы хотите погрузиться глубоко в математику матричного исчисления, это ваше руководство.
Бумага: https://arxiv.org/abs/1802.01528
Гитта Кутиник
Статья, обобщенная важность математики в исследованиях глубокого обучения и о том, как она помогает продвинуть эту область.
Бумага: https://arxiv.org/pdf/2203.08890.pdf
Доктор Сэм Купер и доктор Дэвид Дай
Перепада - это ключевой алгоритм для обучения глубоких нейронных сетей, которые полагаются на исчисление. Познакомьтесь с такими понятиями, как правило цепи, якобиан, градиент.
Видео Playlist: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnqqmzimtw23
Доктор Сэм Купер и доктор Дэвид Дай
Отличный компаньон для предыдущих видео -лекций. Нейронные сети выполняют преобразования данных, и вам нужна линейная алгебра, чтобы улучшить интуицию того, как это делается.
Видео воспроизводится: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
Ананд Авати
Лекции, содержащие математические объяснения многим концепциям в машинном обучении.
Курс: https://www.youtube.com/playlist?
Джером Х. Фридман, Роберт Тибширани и Тревор Хасти
Машинное обучение имеет дело с данными и, в свою очередь, неопределенности, которой стремится преподавать статистика. Удовлетворитесь с такими темами, как оценки, статистическая значимость и т. Д.
Книга: https://hastie.su.domains/elemstatlearn/
Если вы заинтересованы в введении в статистическое обучение, то вы можете проверить «Введение в статистическое обучение».
Эт Джейнс
В машинном обучении мы заинтересованы в создании вероятностных моделей, и, таким образом, вы столкнетесь с концепциями теории вероятности, такими как условная вероятность и различные распределения вероятностей.
Источник: https://bayes.wustl.edu/etj/prob/book.pdf
Дэвид Дж.С. Маккей
Когда вы применяете машинное обучение, вы имеете дело с обработкой информации, которая, по сути, зависит от идей из теории информации, таких как энтропия и дивергенция KL, ...
Книга: https://www.inerence.org.uk/itprnn/book.html
Ханская академия
Полный обзор статистики и вероятности, необходимый для машинного обучения.
Курс: https://www.khanacademy.org/math/statistics-probability
Шелдон Акслер
Слайды и видео лекции на популярной линейной книге алгебры линейная алгебра сделаны правильно.
Лекция и слайды: https://linear.axler.net/ladrvideos.html
Ханская академия
Векторы, матрицы, операции на них, точка и кросс -продукт, умножение матрицы и т. Д. Основные для самого базового понимания математики ML.
Курс: https://www.khanacademy.org/math/linear-algebra
Ханская академия
Предолькулус, дифференциальное исчисление, интегральное исчисление, многомерное исчисление
Курс: https://www.khanacademy.org/math/calculus-ome
Эта коллекция далеко не исчерпывающая, но она должна обеспечить хорошую основу для начала изучения некоторых математических концепций, используемых в машинном обучении. Обратитесь в Twitter, если у вас есть какие -либо вопросы.
