Uczenie maszynowe
Matematyka w uczeniu maszynowym
- Szczegóły
- Kategoria: Uczenie maszynowe
Uczenie maszynowe staje się wszechobecne. Dzięki coraz lepszym narzędziom służącym do tworzenia aplikacji szczegóły techniczne związane z obliczeniami i modelami matematycznymi są często pomijane przez projektantów. Owszem, to wygodne podejście, ale wiąże się z ryzykiem braku świadomości co do wszystkich konsekwencji wybranych rozwiązań projektowych, szczególnie ich mocnych i słabych stron. A zatem bez ugruntowanych podstaw matematyki nie można mówić o profesjonalnym podejściu do uczenia maszynowego.
Ten podręcznik jest przeznaczony dla osób, które chcą dobrze zrozumieć matematyczne podstawy uczenia maszynowego i nabrać praktycznego doświadczenia w używaniu pojęć matematycznych. Wyjaśniono tutaj stosowanie szeregu technik matematycznych, takich jak algebra liniowa, geometria analityczna, rozkłady macierzy, rachunek wektorowy, optymalizacja, probabilistyka i statystyka.
Następnie zaprezentowano matematyczne aspekty czterech podstawowych metod uczenia maszynowego: regresji liniowej, analizy głównych składowych, modeli mieszanin rozkładów Gaussa i maszyn wektorów nośnych. W każdym rozdziale znalazły się przykłady i ćwiczenia ułatwiające przyswojenie materiału.
W książce między innymi:
- podstawy algebry: układy równań, macierze, przestrzenie afiniczne,
- rachunek prawdopodobieństwa, sprzężenia, optymalizacja,
- wnioskowanie z wykorzystaniem różnego rodzaju modeli,
- regresja liniowa i redukcja wymiarowości,
- maszyna wektorów nośnych i rozwiązania numeryczne.
Matematyka: koniecznie, jeśli chcesz zrozumieć istotę sztucznej inteligencji!
Marc Peter Deisenroth kieruje zakładem sztucznej inteligencji na University College London. W swojej pracy badawczej zajmuje się efektywnym uczeniem, modelowaniem probabilistycznym i autonomicznym podejmowaniem decyzji.
A. Aldo Faisal kieruje laboratorium Brain & Behavior w Imperial College London, gdzie jest również wykładowcą i członkiem Data Science Institute. W swoich badaniach zajmuje się zagadnieniami na styku neuronauki i uczenia maszynowego.
Cheng Soon Ong jest głównym badaczem w Machine Learning Research Group i adiunktem na Australian National University. Koncentruje się na rozwijaniu statystycznych metod uczenia maszynowego.
- Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV - [05 czerwiec 2024]
- Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - [28 maj 2024]
- Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - [24 kwiecień 2024]
- Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku - [13 luty 2024]
- Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym - [26 październik 2023]