Mathematics for ML
1.0.0
คอลเลกชันของทรัพยากรเพื่อเรียนรู้และตรวจสอบคณิตศาสตร์สำหรับการเรียนรู้ของเครื่อง
โดย Jean Gallier และ jocelyn jaintance
รวมถึงแนวคิดทางคณิตศาสตร์สำหรับการเรียนรู้ของเครื่องจักรและวิทยาศาสตร์คอมพิวเตอร์
หนังสือ: https://www.cis.upenn.edu/~jean/math-deep.pdf
โดย Ian Goodfellow และ Yoshua Bengio และ Aaron Courville
ซึ่งรวมถึงพื้นฐานทางคณิตศาสตร์สำหรับการเรียนรู้อย่างลึกซึ้งจากหนังสือเรียนรู้ลึก
บทที่: https://www.deeplearningbook.org/contents/part_basics.html
โดย Marc Peter Deisenroth, A. Aldo Faisal และ Cheng ในไม่ช้า
นี่อาจเป็นสถานที่ที่คุณต้องการเริ่มต้น เริ่มช้าและทำงานกับตัวอย่างบางส่วน ให้ความสนใจกับสัญกรณ์และรู้สึกสบายใจกับมัน
หนังสือ: https://mml-book.github.io
โดย Kevin Patrick Murphy
หนังสือเล่มนี้มีภาพรวมที่ครอบคลุมของวิธีการเรียนรู้ของเครื่องคลาสสิกและหลักการอธิบายพวกเขา
หนังสือ: https://probml.github.io/pml-book/book1.html
โดย Brent Werness, Rachel Hu และคณะ
การอ้างอิงนี้มีแนวคิดทางคณิตศาสตร์บางอย่างเพื่อช่วยสร้างความเข้าใจที่ดีขึ้นเกี่ยวกับการเรียนรู้อย่างลึกซึ้ง
บทที่: https://d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
โดย Benoit Loquet, Sarat Moka และ Yoni Nazarathy
หนังสือเล่มนี้ให้ภาพรวมที่สมบูรณ์และรัดกุมของวิศวกรรมคณิตศาสตร์ของการเรียนรู้ลึก นอกเหนือจากภาพรวมของรากฐานการเรียนรู้ที่ลึกซึ้งการรักษายังรวมถึงเครือข่ายประสาทเทียม, เครือข่ายประสาทที่เกิดขึ้นซ้ำ, หม้อแปลง, เครือข่ายฝ่ายตรงข้ามกำเนิด, การเรียนรู้เสริมแรงและเทคนิคหลายอย่างของการค้า โฟกัสอยู่ที่คำอธิบายทางคณิตศาสตร์พื้นฐานของแบบจำลองการเรียนรู้อย่างลึกซึ้งอัลกอริทึมและวิธีการ
หนังสือ: https://deeplearningmath.org
โดย Alicia A. Johnson, Miles Q. Ott, Mine Dogucu
หนังสือออนไลน์ที่ยอดเยี่ยมครอบคลุมวิธีการแบบเบย์
หนังสือ: https://www.bayesrulesbook.com/index.html
โดย Terence Parr & Jeremy Howard
ในการเรียนรู้อย่างลึกซึ้งคุณต้องเข้าใจการดำเนินงานเมทริกซ์ขั้นพื้นฐานมากมาย หากคุณต้องการดำน้ำลึกลงไปในคณิตศาสตร์ของเมทริกซ์แคลคูลัสนี่คือแนวทางของคุณ
กระดาษ: https://arxiv.org/abs/1802.01528
โดย Gitta Kutyniok
บทความสรุปความสำคัญของคณิตศาสตร์ในการวิจัยการเรียนรู้อย่างลึกซึ้งและวิธีการที่จะช่วยพัฒนาภาคสนาม
กระดาษ: https://arxiv.org/pdf/2203.08890.pdf
โดย Dr. Sam Cooper & Dr. David Dye
Backpropagation เป็นอัลกอริทึมสำคัญสำหรับการฝึกอบรมอวนประสาทลึกที่พึ่งพาแคลคูลัส ทำความคุ้นเคยกับแนวคิดเช่น Chain Rule, Jacobian, Descent การไล่ระดับสี
วิดีโอเพลย์ลิสต์: https://www.youtube.com/playlist?list=pliiljhvn6z193bbzs0ln8nnqqmzimtw23
โดย Dr. Sam Cooper & Dr. David Dye
เพื่อนที่ยอดเยี่ยมสำหรับการบรรยายวิดีโอก่อนหน้า Neural Networks ดำเนินการแปลงข้อมูลและคุณต้องมีพีชคณิตเชิงเส้นเพื่อให้ได้สัญชาตญาณที่ดีขึ้นเกี่ยวกับวิธีการทำ
วิดีโอเพลย์ลิสต์: https://www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
โดย Anand Avati
การบรรยายที่มีคำอธิบายทางคณิตศาสตร์เกี่ยวกับแนวคิดมากมายในการเรียนรู้ของเครื่อง
หลักสูตร: https://www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
โดย Jerome H. Friedman, Robert Tibshirani และ Trevor Hastie
การเรียนรู้ของเครื่องเกี่ยวข้องกับข้อมูลและในทางกลับกันความไม่แน่นอนซึ่งเป็นสิ่งที่สถิติมีจุดมุ่งหมายที่จะสอน รู้สึกสะดวกสบายกับหัวข้อต่างๆเช่นตัวประมาณค่านัยสำคัญทางสถิติ ฯลฯ
หนังสือ: https://hastie.su.domains/elemstatlearn/
หากคุณมีความสนใจในการแนะนำการเรียนรู้ทางสถิติคุณอาจต้องการตรวจสอบ "การแนะนำการเรียนรู้ทางสถิติ"
โดย ET Jaynes
ในการเรียนรู้ของเครื่องเรามีความสนใจในการสร้างแบบจำลองความน่าจะเป็นและคุณจะได้พบกับแนวคิดจากทฤษฎีความน่าจะเป็นเช่นความน่าจะเป็นตามเงื่อนไขและการแจกแจงความน่าจะเป็นที่แตกต่างกัน
ที่มา: https://bayes.wustl.edu/etj/prob/book.pdf
โดย David JC Mackay
เมื่อคุณใช้การเรียนรู้ของเครื่องจักรคุณกำลังจัดการกับการประมวลผลข้อมูลซึ่งในสาระสำคัญอาศัยความคิดจากทฤษฎีข้อมูลเช่นเอนโทรปีและ KL Divergence, ...
หนังสือ: https://www.inference.org.uk/itprnn/book.html
โดย Khan Academy
ภาพรวมที่สมบูรณ์ของสถิติและความน่าจะเป็นที่จำเป็นสำหรับการเรียนรู้ของเครื่อง
หลักสูตร: https://www.khanacademy.org/math/statistics-probability
โดย Sheldon Axler
สไลด์และการบรรยายวิดีโอเกี่ยวกับพีชคณิตเชิงเส้นเชิงเส้นยอดนิยมพีชคณิตเชิงเส้นทำถูกต้อง
การบรรยายและสไลด์: https://linear.axler.net/ladrvideos.html
โดย Khan Academy
เวกเตอร์, เมทริกซ์, การดำเนินการกับพวกเขา, ผลิตภัณฑ์ DOT & Cross, การคูณเมทริกซ์เป็นต้นเป็นสิ่งจำเป็นสำหรับความเข้าใจพื้นฐานที่สุดของ ML MATHS
หลักสูตร: https://www.khanacademy.org/math/Linear-algra
โดย Khan Academy
precalculus, แคลคูลัสเชิงอนุพันธ์, แคลคูลัสอินทิกรัล, แคลคูลัสหลายตัวแปร
หลักสูตร: https://www.khanacademy.org/math/calculus-home
คอลเลกชันนี้ยังห่างไกลจากความละเอียดถี่ถ้วน แต่ควรเป็นรากฐานที่ดีในการเริ่มเรียนรู้แนวคิดทางคณิตศาสตร์บางอย่างที่ใช้ในการเรียนรู้ของเครื่อง ติดต่อ Twitter หากคุณมีคำถามใด ๆ
