Mathematics for ML
1.0.0
用於學習和審查機器學習數學的資源集合。
Jean Gallier和Jocelyn古典
包括用於機器學習和計算機科學的數學概念。
書：https：//www.cis.upenn.edu/~jean/math-deep.pdf
伊恩·古德法羅（Ian Goodfellow）和Yoshua Bengio和Aaron Courville
這包括從深度學習書中深入學習的數學基礎知識。
章節：https：//www.deeplearningbook.org/contents/part_basics.html
馬克·彼得·迪森羅斯（Marc Peter Deisenroth）
這可能是您想開始的地方。開始緩慢並進行一些例子。密切關注符號並對其感到滿意。
書：https：//mml-book.github.io
凱文·帕特里克·墨菲（Kevin Patrick Murphy）
本書包含了古典機器學習方法及其解釋的原則的全面概述。
書：https：//probml.github.io/pml-book/book1.html
由Brent Werness，Rachel Hu等。
該參考包含一些數學概念，以幫助建立對深度學習的更好理解。
章節：https：//d2l.ai/chapter_appendix-mathematics-for-deep-learning/index.html
由Benoit Liquet，Sarat Moka和Yoni Nazarathy
本書提供了深度學習數學工程的完整而簡潔的概述。除了概述深度學習基礎外，該處理還包括卷積神經網絡，經常性神經網絡，變形金剛，生成的對抗網絡，增強學習以及貿易的多種技巧。重點是深度學習模型，算法和方法的基本數學描述。
書：https：//deeplearningmath.org
艾麗西亞·A·約翰遜（Alicia A. Johnson），邁爾斯·奧特（Miles Q. Ott）
很棒的在線書涵蓋了貝葉斯方法。
書：https：//www.bayesrulesbook.com/index.html
Terence Parr＆Jeremy Howard
在深度學習中，您需要了解一堆基本的矩陣操作。如果您想深入研究矩陣微積分的數學，這是您的指南。
論文：https：//arxiv.org/abs/1802.01528
gitta kutyniok
一篇文章總結了數學在深度學習研究中的重要性，以及它如何幫助該領域。
論文：https：//arxiv.org/pdf/2203.08890.pdf
薩姆·庫珀（Sam Cooper）博士和戴維·迪（David Dye）博士
反向傳播是訓練依賴微積分的深神經網的關鍵算法。熟悉諸如鍊條規則，雅各布，梯度下降之類的概念。
視頻播放列表：https：//www.youtube.com/playlist?list=pliiljhvn6z193bbzss0ln8nnnnnqqmzimtw23
薩姆·庫珀（Sam Cooper）博士和戴維·迪（David Dye）博士
以前視頻演講的好伴侶。神經網絡對數據進行轉換，您需要線性代數才能獲得更好的直覺。
視頻播放列表：https：//www.youtube.com/playlist?list=pliiljhvn6z1_o1ztxtkwprshrmrblo5p3
由Anand Avati
在機器學習中包含許多概念的數學解釋的講座。
課程：https：//www.youtube.com/playlist?list=ploromvodv4rnh7ql6-efu_q2_bpuy0adh
杰羅姆·H·弗里德曼（Jerome H.
機器學習涉及數據和不確定性，這是統計數據旨在教的。對估計器，統計意義等諸如估計器等主題感到滿意。
書：https：//hastie.su.domains/elemstatlealen/
如果您對統計學習的簡介感興趣，那麼您可能需要查看“統計學習簡介”。
由Et Jaynes
在機器學習中，我們有興趣構建概率模型，因此您將從概率理論（如條件概率和不同的概率分佈）中遇到概念。
資料來源：https：//bayes.wustl.edu/etj/prob/book.pdf
大衛JC Mackay
當您應用機器學習時，您正在處理信息處理，從本質上講，這些信息處理依賴於信息理論（例如熵和KL Divergence）的想法，...
書：https：//www.inference.org.uk/itprnn/book.html
可汗學院
完全概述機器學習所需的統計信息和概率。
課程：https：//www.khanacademy.org/math/statistics-probibalibal
由謝爾頓·阿克斯勒（Sheldon Axler）
對流行的線性代數書籍線性代數的幻燈片和視頻演講正確。
講座和幻燈片：https：//linear.axler.net/ladrvideos.html
可汗學院
向量，矩陣，對它們的操作，點和跨產品，矩陣乘法等對於對ML數學的最基本理解至關重要。
課程：https：//www.khanacademy.org/math/linear-algebra
可汗學院
預鈣庫，微積分，積分，多元微積分
課程：https：//www.khanacademy.org/math/calculus-home
該集合遠非詳盡，但應該為開始學習機器學習中使用的一些數學概念提供良好的基礎。如果您有任何疑問，請在Twitter上與您聯繫。
