Mathematics for ML
1.0.0
用于学习和审查机器学习数学的资源集合。
Jean Gallier和Jocelyn古典
包括用于机器学习和计算机科学的数学概念。
书：https：//www.cis.upenn.edu/~jean/math-deep.pdf
伊恩·古德法罗（Ian Goodfellow）和Yoshua Bengio和Aaron Courville
这包括从深度学习书中深入学习的数学基础知识。
章节：https：//www.deeplearningbook.org/contents/part_basics.html
马克·彼得·迪森罗斯（Marc Peter Deisenroth）
这可能是您想开始的地方。开始缓慢并进行一些例子。密切关注符号并对其感到满意。
书：https：//mml-book.github.io
凯文·帕特里克·墨菲（Kevin Patrick Murphy）
本书包含了古典机器学习方法及其解释的原则的全面概述。
书：https：//probml.github.io/pml-book/book1.html
由Brent Werness，Rachel Hu等。
该参考包含一些数学概念，以帮助建立对深度学习的更好理解。
章节：https：//d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
由Benoit Liquet，Sarat Moka和Yoni Nazarathy
本书提供了深度学习数学工程的完整而简洁的概述。除了概述深度学习基础外，该处理还包括卷积神经网络，经常性神经网络，变形金刚，生成的对抗网络，增强学习以及贸易的多种技巧。重点是深度学习模型，算法和方法的基本数学描述。
书：https：//deeplearningmath.org
艾丽西亚·A·约翰逊（Alicia A. Johnson），迈尔斯·奥特（Miles Q. Ott）
很棒的在线书涵盖了贝叶斯方法。
书：https：//www.bayesrulesbook.com/index.html
Terence Parr＆Jeremy Howard
在深度学习中，您需要了解一堆基本的矩阵操作。如果您想深入研究矩阵微积分的数学，这是您的指南。
论文：https：//arxiv.org/abs/1802.01528
gitta kutyniok
一篇文章总结了数学在深度学习研究中的重要性，以及它如何帮助该领域。
论文：https：//arxiv.org/pdf/2203.08890.pdf
萨姆·库珀（Sam Cooper）博士和戴维·迪（David Dye）博士
反向传播是训练依赖微积分的深神经网的关键算法。熟悉诸如链条规则，雅各布，梯度下降之类的概念。
视频播放列表：https：//www.youtube.com/playlist?list=pliiljhvn6z193bbzss0ln8nnnnnqqmzimtw23
萨姆·库珀（Sam Cooper）博士和戴维·迪（David Dye）博士
以前视频演讲的好伴侣。神经网络对数据进行转换，您需要线性代数才能获得更好的直觉。
视频播放列表：https：//www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
由Anand Avati
在机器学习中包含许多概念的数学解释的讲座。
课程：https：//www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
杰罗姆·H·弗里德曼（Jerome H.
机器学习涉及数据和不确定性，这是统计数据旨在教的。对估计器，统计意义等诸如估计器等主题感到满意。
书：https：//hastie.su.domains/elemstatlealen/
如果您对统计学习的简介感兴趣，那么您可能需要查看“统计学习简介”。
由Et Jaynes
在机器学习中，我们有兴趣构建概率模型，因此您将从概率理论（如条件概率和不同的概率分布）中遇到概念。
资料来源：https：//bayes.wustl.edu/etj/prob/book.pdf
大卫JC Mackay
当您应用机器学习时，您正在处理信息处理，从本质上讲，这些信息处理依赖于信息理论（例如熵和KL Divergence）的想法，...
书：https：//www.inference.org.uk/itprnn/book.html
可汗学院
完全概述机器学习所需的统计信息和概率。
课程：https：//www.khanacademy.org/math/statistics-probibalibal
由谢尔顿·阿克斯勒（Sheldon Axler）
对流行的线性代数书籍线性代数的幻灯片和视频演讲正确。
讲座和幻灯片：https：//linear.axler.net/ladrvideos.html
可汗学院
向量，矩阵，对它们的操作，点和跨产品，矩阵乘法等对于对ML数学的最基本理解至关重要。
课程：https：//www.khanacademy.org/math/linear-algebra
可汗学院
预钙库，微积分，积分，多元微积分
课程：https：//www.khanacademy.org/math/calculus-home
该集合远非详尽，但应该为开始学习机器学习中使用的一些数学概念提供良好的基础。如果您有任何疑问，请在Twitter上与您联系。
